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.

multiagent_envs는 멀티에이전트 강화학습 연구 및 개발을 위해 맞춤형 모듈형 파이썬 기반 환경 세트를 제공하며, 협력 네비게이션, 포식자-피해자, 사회적 딜레마, 경쟁 무대 등의 시나리오를 포함합니다. 각 환경은 에이전트 수, 관찰 특징, 보상 함수, 충돌 역학을 정의할 수 있습니다. 이 프레임워크는 Stable Baselines, RLlib과 같은 인기 RL 라이브러리와 원활하게 통합되어 벡터화 학습 루프, 병렬 실행, 간편한 로깅을 지원합니다. 사용자들은 간단한 API를 따라 기존 시나리오를 확장하거나 새로 만들어 MADDPG, QMIX, PPO와 같은 알고리즘을 일관되고 재현 가능한 환경에서 실험할 수 있습니다.

MultiAgentModel은 멀티에이전트 시나리오를 위한 맞춤형 환경 및 에이전트 클래스를 정의하는 통합 API를 제공합니다. 개발자는 관측 및 행동 공간, 보상 구조, 통신 채널을 지정할 수 있습니다. PPO, DQN, A2C와 같은 인기 RL 알고리즘을 기본 지원하여 최소한의 구성으로 훈련할 수 있습니다. 실시간 시각화 도구를 통해 에이전트 상호작용과 성능 지표를 모니터링합니다. 모듈식 아키텍처는 새로운 알고리즘과 맞춤형 모듈의 손쉬운 통합을 가능하게 하며, 하이퍼파라미터 튜닝을 위한 유연한 구성 시스템, 실험 추적을 위한 로깅 유틸리티, 원활한 포터블성을 위한 OpenAI Gym 환경과의 호환성을 포함합니다. 사용자들은 공유 환경에서 협력하거나, 기록된 세션을 재생하여 분석할 수 있습니다.

Vanilla Agents는 핵심 강화 학습 에이전트의 모듈형 및 확장 가능한 구현을 제공하는 경량 PyTorch 기반 프레임워크입니다. DQN, Double DQN, PPO, A2C와 같은 알고리즘을 지원하며, OpenAI Gym과 호환 가능한 플러그인 환경 래퍼를 갖추고 있습니다. 사용자는 하이퍼파라미터를 조정하고, 학습 메트릭을 로깅하며, 체크포인트를 저장하고, 학습 곡선을 시각화할 수 있습니다. 코드베이스는 명확하게 구성되어 있어 연구 프로토타이핑, 교육용, 새 아이디어의 벤치마킹에 이상적입니다.

YGO-Agent 프레임워크는 연구원과 열정가들이 강화 학습을 사용하여 Yu-Gi-Oh 카드 게임을 플레이하는 AI 봇을 개발할 수 있도록 합니다. 이 프레임워크는 YGOPRO 게임 시뮬레이터를 OpenAI Gym 호환 환경으로 감싸며, 손패, 필드, 라이프 포인트와 같은 상태 표현과 소환, 주문/함정 활성화, 공격을 포함한 액션 표현을 정의합니다. 보상은 승패 결과, 데미지, 게임 진행 상황에 기반합니다. 에이전트 아키텍처는 PyTorch를 사용하여 DQN을 구현하며, 사용자 커스터마이즈 네트워크 구조, 경험 재생, 이플실론-탐욕 탐색을 선택할 수 있습니다. 로깅 모듈은 훈련 곡선, 승률, 상세 이동 로그를 기록하여 분석에 활용됩니다. 이 프레임워크는 모듈식으로 설계되어 있으며, 보상 함수 또는 액션 공간과 같은 구성요소를 교체하거나 확장할 수 있습니다.