MAPF_G2RL은 그래프 이론과 딥 강화 학습을 연결하여 다중 에이전트 경로 탐색(MAPF) 문제를 해결하는 오픈소스 연구 프레임워크입니다. 노드와 엣지를 벡터 표현으로 인코딩하고, 공간적 및 충돌 인지 보상 함수를 정의하며, DQN, PPO, A2C와 같은 다양한 RL 알고리즘을 지원합니다. 이 프레임워크는 랜덤 그래프 생성 또는 실제 지도 임포트로 시나리오 생성을 자동화하고, 동시에 여러 에이전트의 정책을 최적화하는 훈련 루프를 조율합니다. 학습 후, 에이전트는 시뮬레이션 환경에서 경로 최적성, 소요 시간, 성공률을 평가합니다. 모듈형 설계로 연구자는 핵심 컴포넌트를 확장하고, 새로운 MARL 기법을 통합하며, 기존 솔버와 비교 벤치마킹할 수 있습니다.

EthicalEvalMAS는 정의, 자율성, 프라이버시, 투명성, 이익 증진 등의 핵심 윤리적 차원에서 다중 에이전트 시스템을 평가하는 모듈형 환경을 제공합니다. 사용자는 맞춤형 시나리오 또는 내장 템플릿을 생성하고, 특화된 지표를 정의하며, 자동 평가 스크립트를 실행하고, 내장 보고 도구를 통해 결과를 시각화할 수 있습니다. 확장 가능한 구조는 기존 MAS 플랫폼과의 통합을 지원하며, 다양한 에이전트 행동에 대해 재현 가능한 윤리적 벤치마킹을 용이하게 합니다.