Multiagent-Prediction-Reward는 다중 에이전트 강화 학습을 위해 예측 모델과 보상 분배 메커니즘을 통합하는 연구 지향적 프레임워크입니다. 환경 래퍼, 동료 행동 예측을 위한 신경망 모듈, 에이전트 성능에 적응하는 사용자 정의 가능한 보상 라우팅 로직을 포함합니다. 이 리포지터리는 구성 파일, 예제 스크립트, 평가 대시보드를 제공하여 협력 과제에 대한 실험을 수행할 수 있습니다. 사용자는 새 보상 기능 테스트, 새로운 환경 통합, 기존 다중 에이전트 RL 알고리즘과의 벤치마킹 등을 확장할 수 있습니다.

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.

협력검색환경은 이산 격자와 연속 공간 모두에서 협력 검색 작업에 적합한 유연한 gym 호환 다중 에이전트 강화 학습 환경을 제공합니다. 에이전트는 부분 관측 하에 작동하며, 사용자 정의 가능한 통신 토폴로지를 기반으로 정보를 공유할 수 있습니다. 이 프레임워크는 검색 및 구호, 동적 목표 추적, 공동 매핑과 같은 사전 정의된 시나리오를 지원하며, 사용자 지정 환경과 보상 구조를 정의하는 API를 제공합니다. Stable Baselines3와 Ray RLlib과 같은 인기 RL 라이브러리와 원활하게 통합되어 있으며, 성능 분석을 위한 로깅 유틸리티와 실시간 모니터링을 위한 시각화 도구를 포함하고 있습니다. 연구자들은 격자 크기, 에이전트 수, 센서 범위, 보상 공유 메커니즘 등을 조정하여 협력 전략을 평가하고 새로운 알고리즘의 벤치마크를 할 수 있습니다.