MAGAIL implémente une extension multi-agent de l'apprentissage par imitation adversariale générative, permettant à des groupes d'agents d'apprendre des comportements coordonnés à partir de démonstrations d'experts. Construit en Python avec support pour PyTorch (ou variantes TensorFlow), MAGAIL se compose de modules de politiques (générateur) et de discriminateurs, entraînés en boucle antagoniste. Les agents génèrent des trajectoires dans des environnements tels que OpenAI Multi-Agent Particle Environment ou PettingZoo, que le discriminateur utilise pour évaluer leur authenticité par rapport aux données d'experts. Par des mises à jour itératives, les réseaux de politiques convergent vers des stratégies proches de celles des experts sans fonctions de récompense explicites. La conception modulaire de MAGAIL permet de personnaliser les architectures de réseau, l’ingestion de données d’experts, l’intégration avec l’environnement et les hyperparamètres d'entraînement. De plus, la journalisation intégrée et la visualisation avec TensorBoard facilitent la surveillance et l’analyse des progrès d'apprentissage multi-agent et des comparateurs de performance.

HMAS est un cadre open-source en Python permettant le développement de systèmes hiérarchiques multi-agents. Il offre des abstractions pour définir des hiérarchies d'agents, des protocoles de communication inter-agents, l'intégration d'environnements, et des boucles d'entraînement intégrées. Rechercheurs et développeurs peuvent utiliser HMAS pour prototyper des interactions complexes entre agents, entraîner des politiques coordonnées et évaluer la performance dans des environnements simulés. Son design modulaire facilite l'extension et la personnalisation des agents, environnements et stratégies d'entraînement.