Le MARL Simulator est conçu pour faciliter le développement efficace et scalable d'algorithmes d'apprentissage par renforcement multi-agent (MARL). En utilisant le backend distribué de PyTorch, il permet aux utilisateurs d'exécuter un entraînement parallèle sur plusieurs GPU ou nœuds, réduisant significativement la durée des expériences. Le simulateur offre une interface environnementale modulaire qui supporte des scénarios de référence standard — tels que la navigation collaborative, le prédateur-préy, et le monde en grille — ainsi que des environnements personnalisés. Les agents peuvent utiliser divers protocoles de communication pour coordonner leurs actions, partager des observations et synchroniser des récompenses. Les espaces de récompense et d’observation configurables permettent un contrôle précis de la dynamique d'entraînement, tandis que des outils de journalisation et de visualisation intégrés fournissent des aperçus en temps réel des métriques de performance.

Ce dépôt implémente la communication émergente dans l'apprentissage par renforcement multi-agent avec PyTorch. Les utilisateurs peuvent configurer des réseaux neuronaux pour l'émetteur et le récepteur afin de jouer à des jeux référentiels ou à une navigation coopérative, encourageant les agents à développer un canal de communication discret ou continu. Il fournit des scripts pour l'entraînement, l'évaluation et la visualisation des protocoles appris, ainsi que des utilitaires pour la création d'environnements, le codage et le décodage des messages. Les chercheurs peuvent l'étendre avec des tâches personnalisées, modifier les architectures de réseau et analyser l'efficacité des protocoles, favorisant des expérimentations rapides dans la communication d'agents émergents.

Vanilla Agents est un cadre léger basé sur PyTorch qui fournit des implémentations modulaires et extensibles d'agents d'apprentissage par renforcement de base. Il supporte des algorithmes comme DQN, Double DQN, PPO et A2C, avec des wrappers d'environnement adaptables compatibles avec OpenAI Gym. Les utilisateurs peuvent configurer les hyperparamètres, enregistrer les métriques d'entraînement, sauvegarder les points de contrôle et visualiser les courbes d'apprentissage. La base de code est organisée pour la clarté, ce qui le rend idéal pour le prototypage de recherche, un usage éducatif et la mise en référence de nouvelles idées en RL.