Selective Reincarnation introduit un mécanisme d'entraînement basé sur une population dynamique, adapté au renforcement multi-agent. La performance de chaque agent est régulièrement évaluée par rapport à des seuils prédéfinis. Lorsqu'un agent tombe en dessous de la performance de ses pairs, ses poids sont réinitialisés à ceux de l'agent actuel le mieux performant, le réincarnant ainsi avec des comportements éprouvés. Cette approche maintient la diversité en ne réinitialisant que les agents sous-performants, minimisant ainsi les resets destructeurs tout en orientant l'exploration vers des politiques à haute récompense. En permettant une héritage ciblé des paramètres du réseau neuronal, la pipeline réduit la variance et accélère la convergence dans des environnements multi-agent coopératifs ou compétitifs. Compatible avec tout algorithme MARL basé sur la gradient de politique, l'implémentation s'intègre parfaitement dans les workflows basés sur PyTorch et inclut des hyperparamètres configurables pour la fréquence d'évaluation, les critères de sélection et le réglage de la stratégie de reset.

Patrolling-Zoo offre un cadre flexible permettant aux utilisateurs de créer et d'expérimenter avec des tâches de patrouille multi-agent en Python. La bibliothèque inclut une variété d'environnements basés sur des grilles et des graphes, simulant des scénarios de surveillance, de contrôle et de couverture. Les utilisateurs peuvent configurer le nombre d'agents, la taille de la carte, la topologie, les fonctions de récompense et les espaces d'observation. Grâce à la compatibilité avec PettingZoo et les API Gym, elle supporte une intégration transparente avec des algorithmes populaires d'apprentissage par renforcement. Cet environnement facilite le benchmarking et la comparaison des techniques MARL sous des paramètres cohérents. En fournissant des scénarios standard et des outils pour en créer de nouveaux, Patrolling-Zoo accélère la recherche en robotique autonome, surveillance de sécurité, opérations de recherche et sauvetage, et couverture efficace des zones en utilisant des stratégies de coordination multi-agents.

Ant_racer est une plateforme virtuelle de poursuite-évasion multi-agents qui offre un environnement de jeu pour étudier l'apprentissage par renforcement multi-agents. Construite sur OpenAI Gym et Mujoco, elle permet aux utilisateurs de simuler les interactions entre plusieurs agents autonomes dans des tâches de poursuite et d'évasion. La plateforme prend en charge la mise en œuvre et le test d'algorithmes d'apprentissage par renforcement tels que DDPG dans un environnement physiquement réaliste. Elle est utile aux chercheurs et développeurs intéressés par les comportements multi-agents de l'IA dans des scénarios dynamiques.

MARTI (Multi-Agent Reinforcement Learning Toolkit and Interface) est un cadre orienté recherche qui facilite le développement, l'évaluation et le benchmarking des algorithmes RL multi-agent. Il offre une architecture plug-and-play où les utilisateurs peuvent configurer des environnements personnalisés, des politiques d'agents, des structures de récompense et des protocoles de communication. MARTI s'intègre aux bibliothèques de deep learning populaires, supporte l'accélération GPU et l'entraînement distribué, et génère des journaux détaillés ainsi que des visualisations pour l'analyse des performances. La conception modulaire du toolkit permet une prototypage rapide des approches novatrices et une comparaison systématique avec des baselines standard, ce qui le rend idéal pour la recherche académique et les projets pilotes dans les systèmes autonomes, la robotique, l'IA de jeu et les scénarios multi-agents coopératifs.

Ce projet open-source offre un cadre complet d'apprentissage par renforcement multi-agent basé sur PyTorch et Unity ML-Agents. Il propose des algorithmes DDPG décentralisés, des wrappers d'environnements et des scripts d'entraînement. Les utilisateurs peuvent configurer les politiques d'agents, les réseaux critiques, les buffers de relecture et les travailleurs d'entraînement parallèles. Les hooks de journalisation permettent la surveillance avec TensorBoard, tandis qu'une architecture modulaire supporte des fonctions de récompense et paramètres d'environnement personnalisés. Le dépôt inclut des scènes Unity d'exemple illustrant des tâches de navigation collaborative, idéal pour étendre et benchmarker des scénarios multi-agent en simulation.

Shepherding est un cadre de simulation open-source conçu pour les chercheurs et développeurs en apprentissage par renforcement afin d'étudier et d'implémenter des tâches de bergerie multi-agents. Il fournit un environnement compatible Gym où les agents peuvent apprendre à effectuer des comportements tels que faire le tour, collecter et disperser des groupes cibles dans des espaces continus ou discrets. Le cadre comprend des fonctions modulaires pour le façonnage de récompenses, la paramétrisation de l'environnement et des utilitaires de journalisation pour surveiller les performances d'entraînement. Les utilisateurs peuvent définir des obstacles, des populations d'agents dynamiques et des politiques personnalisées en utilisant TensorFlow ou PyTorch. Les scripts de visualisation génèrent des tracés de trajectoires et des enregistrements vidéo des interactions des agents. La conception modulaire de Shepherding permet une intégration transparente avec les bibliothèques RL existantes, facilitant la reproductibilité des expériences, le benchmarking de stratégies de coordination innovantes et le prototypage rapide de solutions de bergerie basées sur l'IA.

DeepMind MAS Environment est une bibliothèque Python fournissant une interface standardisée pour construire et simuler des tâches d'apprentissage par renforcement multi-agent. Elle permet aux utilisateurs de configurer le nombre d'agents, de définir les espaces d'observation et d'action, et de personnaliser les structures de récompense. Le framework supporte les canaux de communication entre agents, la journalisation des performances et les capacités de rendu. Les chercheurs peuvent intégrer sans problème DeepMind MAS Environment avec des bibliothèques RL populaires comme TensorFlow et PyTorch pour benchmarker de nouveaux algorithmes, tester des protocoles de communication et analyser les domaines de contrôle discret et continu.