AutoDRIVE Cooperative MARL es un marco de código abierto diseñado para entrenar y desplegar políticas de aprendizaje por refuerzo multiactores cooperativos para tareas de conducción autónoma. Se integra con simuladores realistas para modelar escenarios de tráfico como intersecciones, formación de convoy en autopistas y escenarios de fusión. El marco implementa entrenamiento centralizado con ejecución descentralizada, permitiendo que los vehículos aprendan políticas compartidas que maximicen la eficiencia y seguridad del tráfico global. Los usuarios pueden configurar parámetros del entorno, escoger algoritmos MARL de referencia, visualizar el progreso del entrenamiento y evaluar la coordinación de los agentes.

Este proyecto inicial proporciona una aplicación FastAPI lista para usar, preconfigurada para el desarrollo de agentes IA. Usa Pydantic para la validación de solicitudes/respuestas, configuración basada en el entorno para claves API de OpenAI, y scaffolding modular de puntos finales. Las funciones incorporadas incluyen documentación Swagger UI, manejo de CORS y registro estructurado, permitiendo a los equipos crear prototipos y desplegar rápidamente puntos finales impulsados por IA sin carga de código repetitivo. Los desarrolladores solo definen modelos Pydantic y funciones de agente para obtener un servidor API listo para producción.

El módulo Terraform AI Agent proporciona una configuración reutilizable que automatiza el aprovisionamiento completo de un backend de agente IA. Crea un VPC de AWS, roles IAM con políticas de privilegios mínimos, funciones Lambda conectadas a APIs de OpenAI o modelos personalizados, interfaces REST de API Gateway y Step Functions opcionales para la orquestación de flujos de trabajo. Los usuarios pueden personalizar variables de entorno, configuraciones de escalado, registros y monitoreo. El módulo abstrae la configuración compleja de la nube en entradas simples, permitiendo un despliegue rápido, coherente y seguro de agentes de IA conversacionales, automatización de tareas o bots de procesamiento de datos en minutos.

El entorno de búsqueda cooperativa proporciona un entorno de aprendizaje por refuerzo multiagente flexible y compatible con gym, diseñado para tareas de búsqueda cooperativa en espacios en cuadrícula discretos y continuos. Los agentes operan bajo observabilidad parcial y pueden compartir información basándose en topologías de comunicación personalizables. El marco soporta escenarios predefinidos como búsqueda y rescate, seguimiento de objetivos dinámicos y mapeo colaborativo, con API para definir entornos personalizados y estructuras de recompensa. Se integra a la perfección con bibliotecas RL populares como Stable Baselines3 y Ray RLlib, incluye utilidades de registro para análisis de rendimiento y herramientas de visualización integradas para monitoreo en tiempo real. Los investigadores pueden ajustar tamaños de cuadrículas, conteo de agentes, rangos de sensores y mecanismos de compartición de recompensas para evaluar estrategias de coordinación y probar nuevos algoritmos de manera efectiva.