Die Cooperative Search Environment bietet eine flexible, gym-kompatible Multi-Agent-Verstärkungslern-Umgebung, die auf kooperative Suchaufgaben sowohl in diskreten Raster- als auch in kontinuierlichen Räumen zugeschnitten ist. Agenten arbeiten unter Teilbeobachtung und können Informationen basierend auf anpassbaren Kommunikationstopologien teilen. Das Framework unterstützt vordefinierte Szenarien wie Such- und Rettungsaktionen, dynamische Zielverfolgung und kollaborative Kartierung, mit APIs zum Definieren benutzerdefinierter Umgebungen und Belohnungsstrukturen. Es integriert sich nahtlos mit beliebten RL-Bibliotheken wie Stable Baselines3 und Ray RLlib, beinhaltet Logging-Utilities zur Leistungsanalyse und bietet integrierte Visualisierungstools für die Echtzeitüberwachung. Forscher können Rastergrößen, Agentenzahlen, Sensorspektren und Belohnungsteilmechanismen anpassen, um Koordinationsstrategien zu bewerten und neue Algorithmen effektiv zu benchmarken.

Emergente Kommunikation in Agenten ist ein Open-Source-PyTorch-Framework, das Forschern ermöglicht zu untersuchen, wie Multi-Agenten-Systeme ihre eigenen Kommunikationsprotokolle entwickeln. Die Bibliothek bietet flexible Implementierungen kooperativer Verstärkungslernaufgaben, einschließlich Referenzspielen, Kombinationsspielen und Objekterkennungsaufgaben. Benutzer definieren Sprecher- und Zuhörer-Agentenarchitekturen, spezifizieren Eigenschaften der Nachrichtkanäle wie Wortschatzgröße und Sequenzlänge und wählen Trainingsstrategien wie Politikgradienten oder überwachtes Lernen. Das Framework umfasst End-to-End-Skripte für Experimentdurchführung, Analyse der Kommunikationseffizienz und Visualisierung emergenter Sprachen. Das modulare Design ermöglicht eine einfache Erweiterung mit neuen Spielumgebungen oder benutzerdefinierten Verlustfunktionen. Forscher können veröffentlichte Studien reproduzieren, neue Algorithmen benchmarken und die Kompositionalität sowie Semantik der Agentensprachen untersuchen.

Multi-Agent Miners bietet eine Rasterwelt-Umgebung, in der mehrere autonome Miner-Agenten navigieren, graben und Ressourcen sammeln, während sie miteinander interagieren. Es unterstützt konfigurierbare Karten, Agentenzahlen und Belohnungsstrukturen, sodass Benutzer Wettbewerbs- oder Kooperationsszenarien erstellen können. Das Framework integriert sich mit beliebten RL-Bibliotheken über PettingZoo und bietet standardisierte APIs für Reset-, Schritt- und Rendering-Funktionen. Visualisierungsmodi und Logging-Unterstützung helfen, Verhaltensweisen und Ergebnisse zu analysieren, was es ideal für Forschung, Bildung und Algorithmus-Benchmarking in Multi-Agenten-Verstärkungslernen macht.

multiagent-env ist eine Open-Source-Python-Bibliothek, die die Erstellung und Bewertung von Multi-Agenten-Verstärkungslern-Umgebungen vereinfacht. Nutzer können sowohl kooperative als auch adversariale Szenarien definieren, indem sie Agentenzahl, Aktions- und Beobachtungsräume, Belohnungsfunktionen und die Dynamik der Umwelt festlegen. Es unterstützt Echtzeitvisualisierung, konfigurierbares Rendering und einfache Integration mit Python-basierten RL-Frameworks wie Stable Baselines und RLlib. Das modulare Design ermöglicht eine schnelle Prototypentwicklung neuer Szenarien und einen einfachen Vergleich von Multi-Agenten-Algorithmen.

RL Shooter ist ein Python-basiertes Framework, das ViZDoom mit OpenAI Gym APIs integriert, um eine flexible Verstärkendes Lernumgebung für FPS-Spiele zu schaffen. Benutzer können benutzerdefinierte Szenarien, Karten und Belohnungsstrukturen definieren, um Agenten bei Navigation, Zielerkennung und Schießaufgaben zu trainieren. Mit anpassbaren Beobachtungsrahmen, Aktionsräumen und Protokollierungseinrichtungen unterstützt es beliebte Deep-RL-Bibliotheken wie Stable Baselines und RLlib, und ermöglicht klare Leistungsmessung und Reproduzierbarkeit in den Experimenten.

AutoDRIVE Cooperative MARL ist ein Open-Source-Framework, das entwickelt wurde, um kooperative Multi-Agenten-Verstärkendes Lernen (MARL)-Politiken für autonome Fahraufgaben zu trainieren und zu deployen. Es integriert sich mit realistischen Simulatoren zur Modellierung von Verkehrsszenarien wie Kreuzungen, Autobahn-Platooning und Merging. Das Framework implementiert zentrales Training mit dezenter Ausführung, sodass Fahrzeuge gemeinsam erlernte Politiken nutzen können, um die allgemeine Verkehrseffizienz und Sicherheit zu maximieren. Benutzer können Umgebungsparameter konfigurieren, aus Baseline-MARL-Algorithmen auswählen, den Trainingsfortschritt visualisieren und die Koordination der Agenten benchmarken.