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.

Dieses Starter-Projekt bietet eine einsatzbereite FastAPI-Anwendung, die für die Entwicklung von KI-Agents vorkonfiguriert ist. Es verwendet Pydantic für Anfragen/Antwort-Validierung, umgebungsbasierte Konfiguration für OpenAI-API-Schlüssel und modulare Endpunkt-Scaffolds. Eingebaute Funktionen sind Swagger UI-Dokumentation, CORS-Handhabung und strukturiertes Logging, wodurch Teams schnell KI-gesteuerte Endpunkte prototypisieren und bereitstellen können, ohne Boilerplate-Aufwand. Entwickler definieren einfach Pydantic-Modelle und Agentenfunktionen, um einen produktionsbereiten API-Server zu erhalten.

Das AI Agent Terraform-Modul bietet eine wiederverwendbare Terraform-Konfiguration, die die End-to-End-Bereitstellung eines KI-Agenten-Backends automatisiert. Es erstellt eine AWS VPC, IAM-Rollen mit Least-Privilege-Richtlinien, Lambda-Funktionen, die an OpenAI- oder benutzerdefinierte Modell-APIs angebunden sind, REST-Interfaces im API Gateway sowie optionale Step Functions für Workflow-Orchestrierung. Benutzer können Umgebungsvariablen, Skalierungseinstellungen, Logging und Überwachung anpassen. Das Modul abstrahiert komplexe Cloud-Setups in einfache Eingaben und ermöglicht eine schnelle, konsistente und sichere Bereitstellung von dialogorientierten KI-Agenten, Aufgabenautomatisierungen oder Datenverarbeitungsbots in wenigen Minuten.

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.