mario-ai 프로젝트는 신경진화를 이용하여 Super Mario Bros.를 마스터할 AI 에이전트를 개발하기 위한 포괄적인 파이프라인을 제공합니다. Python 기반 NEAT 구현과 OpenAI Gym의 SuperMario 환경을 통합하여, 사용자들이 맞춤형 적합도 기준, 돌연변이율, 네트워크 토폴로지를 정의할 수 있도록 지원합니다. 훈련 동안, 이 프레임워크는 신경망의 세대를 평가하고, 우수한 유전체를 선택하며, 게임 플레이와 네트워크 진화의 실시간 시각화를 제공합니다. 또한, 훈련된 모델의 저장 및 로드, 챔피언 유전체의 내보내기, 상세 퍼포먼스 로그 생성도 가능합니다. 연구자, 교육자, 취미 연구자들은 코드를 다른 게임 환경으로 확장하고, 진화 전략 실험과 다양한 레벨별 AI 학습 진행상태 벤치마킹이 가능합니다.

MARTI(다중 에이전트 강화 학습 툴킷 및 인터페이스)는 다중 에이전트 RL 알고리즘의 개발, 평가 및 벤치마킹을 간소화하는 연구 중심 프레임워크입니다. 사용자 정의 환경, 에이전트 정책, 보상 구조, 통신 프로토콜을 구성할 수 있는 플러그 앤 플레이 아키텍처를 제공합니다. MARTI는 인기 딥러닝 라이브러리와 통합되며, GPU 가속 및 분산 훈련을 지원하며, 성능 분석을 위한 상세 로그와 시각화를 생성합니다. 모듈식 설계 덕분에 새로운 접근법의 빠른 프로토타이핑과 표준 베이스라인과의 체계적 비교가 가능하며, 자율 시스템, 로보틱스, 게임 AI, 협력 멀티에이전트 시나리오 등의 분야에 이상적입니다.

PettingZoo 게임을 위한 강화 학습 에이전트는 Python 기반 코드 라이브러리로, PettingZoo 환경에서 사용할 수 있는 다중 에이전트 RL용 DQN, PPO 및 A2C 알고리즘을 즉시 제공하며 표준화된 훈련 및 평가 스크립트, 조정 가능한 하이퍼파라미터, TensorBoard 로깅, 경쟁 및 협력 게임 지원 등을 갖추고 있습니다. 연구원과 개발자는 이 저장소를 클론하여 환경 및 알고리즘 파라미터를 조정하고, 훈련 세션을 실행하며, 메트릭을 시각화하여 빠르게 실험하고 비교할 수 있습니다.

BomberManAI는 고전 Bomberman 게임을 자율적으로 플레이하도록 설계된 AI 에이전트입니다. Python으로 개발되었으며, 실시간으로 맵 상태, 가능한 이동, 적 위치를 인지하는 환경과 인터페이스합니다. 핵심 알고리즘은 A* 경로 탐색, 도달 가능성 분석을 위한 너비 우선 탐색, 최적 폭탄 배치 및 회피 전략 결정을 위한 휴리스틱 평가 함수를 결합합니다. 이 에이전트는 역동적 장애물, 파워업, 다수의 적을 다양한 맵 레이아웃에서 처리하며, 사용자 정의 휴리스틱, 강화학습 모듈 또는 대체 결정 전략을 실험할 수 있는 모듈식 구조를 갖추고 있습니다. 게임 AI 연구자, 학생, 경쟁용 봇 개발자에게 적합하며, BomberManAI는 자율적인 게임 에이전트를 테스트하고 향상시키기 위한 유연한 프레임워크를 제공합니다.

Java Action Generic은 Java에서 자율 에이전트 행동을 구현할 수 있는 경량화된 모듈식 라이브러리입니다. 이 액션들은 에이전트가 실행, 스케줄링, 런타임에서 조합할 수 있는 매개변수화된 작업 유닛입니다. 프레임워크는 일관된 액션 인터페이스를 제공하여 사용자 정의 액션 생성, 액션 매개변수 처리, LightJason의 에이전트 라이프사이클 관리를 통합할 수 있습니다. 이벤트 기반 실행 및 병행 지원으로, 에이전트는 동적 의사 결정, 외부 서비스와의 상호 작용, 복잡한 행동 조정 등 다양한 작업을 수행할 수 있습니다. 이 라이브러리는 재사용성과 모듈화 설계를 촉진하여 연구, 시뮬레이션, IoT, 게임 AI 등 모든 JVM지원 플랫폼에서 활용 가능합니다.

PommerLearn은 연구자와 개발자가 Pommerman 게임 환경에서 다중 에이전트 RL 봇을 훈련할 수 있도록 합니다. 인기 있는 알고리즘(PPO, DQN)의 준비된 구현, 하이퍼파라미터용 유연한 구성 파일, 자동 로깅 및 훈련 지표 시각화, 모델 체크포인트, 평가 스크립트를 포함합니다. 모듈식 아키텍처를 통해 새로운 알고리즘 추가, 환경 맞춤화, 표준 ML 라이브러리(PyTorch 등)와의 통합이 용이합니다.

VMAS는 딥 강화 학습을 활용하여 다중 에이전트 시스템을 구축하고 훈련하는 종합 도구 키트입니다. 수백 개의 환경 인스턴스에 대한 GPU 기반 병렬 시뮬레이션을 지원하여 높은 처리량의 데이터 수집과 확장 가능한 훈련을 가능하게 합니다. 인기 있는 MARL 알고리즘인 PPO, MADDPG, QMIX, COMA의 구현과 빠른 프로토타이핑을 위한 모듈형 정책 및 환경 인터페이스를 포함합니다. 프레임워크는 분산 실행을 지원하는 중앙 집중식 훈련(CTDE)을 촉진하며, 사용자 정의 보상 조정, 관측 공간, 로깅 및 시각화를 위한 콜백 훅을 제공합니다. 모듈식 설계 덕분에 VMAS는 PyTorch 모델과 외부 환경과 원활하게 통합되어 협력형, 경쟁형, 혼합 목적의 작업에서 연구에 적합하며, 로보틱스, 교통 제어, 자원 배분, 게임 AI 시나리오에 이상적입니다.

DQN-Deep-Q-Network-Atari-Breakout-TensorFlow는 Atari Breakout 환경에 특화된 DQN 알고리즘의 완전한 구현입니다. Q 값을 근사하기 위해 컨volutional Neural Network를 사용하고, 연속 관측 간의 상관관계를 끊기 위해 경험 재생을 적용하며, 훈련 안정화를 위해 주기적으로 업데이트되는 대상 네트워크를 사용합니다. 에이전트는 epsilon-greedy 정책을 따르며, 원시 픽셀 입력에서 처음부터 훈련할 수 있습니다. 저장소에는 구성 파일, 에피소드별 보상 성장을 모니터링하는 훈련 스크립트, 훈련된 모델을 평가하는 평가 스크립트, TensorBoard 유틸리티를 통한 훈련 메트릭 시각화 도구가 포함되어 있습니다. 사용자는 학습률, 재생 버퍼 크기, 배치 크기와 같은 하이퍼파라미터를 조절하여 다양한 환경을 실험할 수 있습니다.

GPT 또는 NPC는 게임에서 동적인 비 플레이어 캐릭터(NPC)를 생성하기 위해 생성 AI의 강력한 역량을 통합합니다. 이 혁신을 통해 NPC는 플레이어와 현실적인 대화를 나누고, 다양한 시나리오에 적응하며, 플레이어의 행동에 지능적으로 반응할 수 있습니다. 머신 러닝과 자연어 처리를 활용함으로써 이 기술은 스토리텔링과 상호작용의 깊이를 향상시켜 각 게임 경험을 독특하게 만듭니다. 중세 도시를 탐험하든 생물과 전투하든 GPT 또는 NPC는 매력적인 대화와 개인화된 상호작용을 가능하게 하여 전반적인 게임 경험을 향상합니다.

Human or Not는 플레이어가 자신의 대화 상대가 인간인지 AI인지 파악하도록 도전하는 매력적인 AI 기반 게임입니다. 채팅 룰렛에 기반하여 이 게임은 인간과 기계 상호작용을 구별하는 능력을 테스트하는 재미있는 방법을 제공합니다. GPT-4 및 AI21 Labs의 Jurassic-2와 같은 고급 언어 모델을 사용하여 모든 연령대에 흥미롭고 유익한 경험을 제공합니다.