Dino Reinforcement Learning은 강화 학습을 통해 Chrome 공룡 게임을 플레이하는 AI 에이전트 훈련을 위한 종합 도구를 제공합니다. 셀레늄을 통해 헤드리스 Chrome 인스턴스와 통합하여 실시간 게임 프레임을 캡처하고, 딥 Q 네트워크 입력에 최적화된 상태 표현으로 처리합니다. 프레임 재생, 이플실론-탐욕 탐사, 컨볼루션 신경망 모델 및 사용자 맞춤 하이퍼파라미터가 포함된 훈련 루프 모듈이 포함됩니다. 훈련 진행 상황은 콘솔 로그를 통해 확인하며 체크포인트 저장으로 나중에 평가 가능합니다. 훈련 후, 에이전트는 자율적으로 실시간 게임을 플레이하거나 다양한 모델 아키텍처와 벤치마킹할 수 있습니다. 모듈식 설계로 RL 알고리즘을 쉽게 교체할 수 있어 실험에 유연성을 제공합니다.

Multi-Agent-AI-Models-and-Path-Planning은 고전적 및 현대적 경로 계획 방법과 결합된 다중 에이전트 시스템 개발 및 테스트를 위한 종합 도구 모음을 제공합니다. A*, 다익스트라, RRT, 잠재장 필드와 같은 알고리즘 구현과 사용자 정의 가능한 에이전트 행동 모델을 포함합니다. 프레임워크는 시뮬레이션 및 시각화 모듈을 갖추고 있어 시나리오 생성, 실시간 모니터링 및 성능 분석이 원활하게 이루어집니다. 확장성을 고려하여 설계되어 있으며, 새로운 계획 알고리즘이나 에이전트 의사결정 모델을 플러그인하여 복잡한 환경에서의 협력 내비게이션 및 작업 할당을 평가할 수 있습니다.

Selective Reincarnation은 멀티 에이전트 강화 학습에 맞춘 동적 인구 기반 훈련 메커니즘을 도입합니다. 각 에이전트의 성과는 미리 정의된 임계값에 따라 정기적으로 평가됩니다. 에이전트의 성과가 임계값 이하로 떨어지면, 그 가중치는 현재 최고 성과 에이전트의 가중치로 재설정되어 검증된 행동을 재현합니다. 이 접근 방식은 저성과 에이전트만 재설정하여 다양성을 유지하며, 파괴적인 재설정을 최소화하면서 고보상 정책으로의 탐색을 유도합니다. 신경망 매개변수의 선택적 유산(전달)을 가능하게 하여, 분산 또는 협력 환경에서의 분산성을 줄이고 수렴 속도를 높입니다. 정책 기울기 기반 MARL 알고리즘과 호환되며, 평가 주기, 선택 기준, 재설정 전략 조정을 위한 구성 가능한 하이퍼파라미터를 포함합니다.