MGym est un cadre spécialisé pour créer et gérer des environnements d'apprentissage par renforcement multi-agent (MARL) en Python. Il permet aux utilisateurs de définir des scénarios complexes avec plusieurs agents, chacun disposant d'espaces d'observation et d'action personnalisables, de fonctions de récompense et de règles d'interaction. MGym supporte à la fois les modes d'exécution synchrones et asynchrones, fournissant des simulations d'agents parallèles et tournantes. Conçu avec une API semblable à Gym, MGym s'intègre parfaitement avec des bibliothèques RL populaires telles que Stable Baselines, RLlib et PyTorch. Il comprend des modules utilitaires pour le benchmarking des environnements, la visualisation des résultats et l'analyse des performances, facilitant une évaluation systématique des algorithmes MARL. Son architecture modulaire permet un prototypage rapide de tâches cooperatives, compétitives ou d'agents mixtes, permettant aux chercheurs et développeurs d'accélérer l'expérimentation et la recherche MARL.

Multi-Agent-AI-Models-and-Path-Planning fournit une boîte à outils complète pour développer et tester des systèmes multi-agent combinés à des méthodes classiques et modernes de planification de trajectoire. Il inclut des implémentations d'algorithmes tels que A*, Dijkstra, RRT, et les champs de potentiel, ainsi que des modèles de comportement d'agents personnalisables. Le cadre dispose de modules de simulation et de visualisation, permettant une création facile de scénarios, une surveillance en temps réel et une analyse de performance. Conçu pour l'extensibilité, les utilisateurs peuvent ajouter de nouveaux algorithmes de planification ou modèles de décision d'agents pour évaluer la navigation collaborative et l'attribution de tâches dans des environnements complexes.