AutoDRIVE Cooperative MARL est un cadre open-source conçu pour entraîner et déployer des politiques d'apprentissage par renforcement multi-agent coopératif (MARL) pour des tâches de conduite autonome. Il s'intègre avec des simulateurs réalistes pour modéliser des scénarios de trafic tels que les intersections, le convoi sur autoroute et la fusion. Le cadre implémente une formation centralisée avec une exécution décentralisée, permettant aux véhicules d'apprendre des politiques partagées pour maximiser l'efficacité et la sécurité globales du trafic. Les utilisateurs peuvent configurer les paramètres de l’environnement, choisir parmi des algorithmes MARL de base, visualiser la progression de l'apprentissage et évaluer la coordination des agents.

Ce projet de démarrage fournit une application FastAPI prête à l'emploi, préconfigurée pour le développement d'agents IA. Il utilise Pydantic pour la validation des requêtes/réponses, une configuration basée sur l'environnement pour les clés API OpenAI, et une scaffolding modulaire des points de terminaison. Les fonctionnalités intégrées incluent la documentation Swagger UI, la gestion CORS et le journalisation structurée, permettant aux équipes de prototyper et déployer rapidement des points de terminaison IA sans surcharge de boilerplate. Les développeurs définissent simplement des modèles Pydantic et des fonctions d'agent pour obtenir un serveur API prêt pour la production.

Le module Terraform AI Agent fournit une configuration Terraform réutilisable qui automatise le provisioning complet d'un backend d'agent IA. Il crée un VPC AWS, des rôles IAM avec des politiques de moindre privilège, des fonctions Lambda reliées aux API OpenAI ou personnalisées, des interfaces REST API Gateway, et des Step Functions optionnels pour l'orchestration de workflows. Les utilisateurs peuvent personnaliser les variables d'environnement, les paramètres de mise à l'échelle, la journalisation et la surveillance. Le module abstrait la complexité de la configuration cloud en entrées simples, permettant un déploiement rapide, cohérent et sécurisé d'agents conversationnels IA, d'automatisations de tâches ou de bots de traitement de données en quelques minutes.

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.