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.

DataEnvGym offre une collection d'environnements modulaires et personnalisables construits sur l'API Gym pour faciliter la recherche en apprentissage par renforcement dans les domaines axés sur les données. Les chercheurs et les ingénieurs peuvent sélectionner parmi des tâches intégrées telles que le nettoyage de données, l'ingénierie des caractéristiques, la planification par lots et l'analytique en streaming. Le cadre prend en charge une intégration transparente avec les bibliothèques RL populaires, des métriques de benchmark standardisées et des outils de journalisation pour suivre la performance des agents. Les utilisateurs peuvent étendre ou combiner des environnements pour modéliser des pipelines de données complexes et évaluer des algorithmes dans des contraintes réalistes.

L'environnement de recherche coopérative fournit un environnement d'apprentissage par renforcement multi-agent flexible et compatible gym, adapté aux tâches de recherche coopérative dans des espaces en grille discrète et en espace continu. Les agents fonctionnent sous observabilité partielle et peuvent partager des informations en fonction de topologies de communication personnalisables. Le cadre supporte des scénarios prédéfinis tels que recherche et sauvetage, suivi de cibles dynamiques, et cartographie collaborative, avec des API pour définir des environnements et des structures de récompense personnalisés. Il s'intègre parfaitement avec des bibliothèques RL populaires comme Stable Baselines3 et Ray RLlib, inclut des utilitaires de journalisation pour l’analyse des performances, et offre des outils de visualisation en temps réel. Les chercheurs peuvent ajuster la taille de la grille, le nombre d'agents, la portée des capteurs et les mécanismes de partage des récompenses pour évaluer efficacement les stratégies de coordination et benchmarker de nouveaux algorithmes.