멀티 에이전트 검사 시뮬레이션은 Unity 3D 환경 내에서 여러 자율 에이전트가 협력하여 검사 작업을 수행할 수 있도록 하는 포괄적 프레임워크를 제공합니다. 이 환경은 검사 대상, 조절 가능한 보상 함수, 에이전트 행동 매개변수와 함께 Unity ML-Agents와 통합됩니다. 연구자는 Python API를 통해 맞춤 환경 스크립트 작성, 에이전트 수 정의, 훈련 커리큘럼 설정이 가능하며, 병렬 훈련 세션, TensorBoard 로그 기록, 레이캐스트, 카메라 피드, 위치 데이터 등 맞춤 관측 기능도 지원합니다. 하이퍼파라미터와 환경 복잡도를 조절하여 커버리지, 효율성, 협력 지표에 대한 강화 학습 알고리즘의 벤치마킹도 가능합니다. 오픈소스 코드는 로봇 프로토타이핑, 협력 AI 연구, 다중 에이전트 시스템의 교육용 데모 확장에 적합합니다.

AutoDRIVE Cooperative MARL은 AutoDRIVE 도시 주행 시뮬레이터와 적응 가능한 다중 에이전트 강화학습 알고리즘을 결합한 GitHub 호스팅 프레임워크입니다. 훈련 스크립트, 환경 래퍼, 평가 지표, 시각화 도구를 포함하여 협력 운전 정책을 개발 및 벤치마킹할 수 있습니다. 사용자는 에이전트 관측 공간, 보상 함수, 훈련 하이퍼파라미터를 구성할 수 있습니다. 이 저장소는 모듈식 확장을 지원하여 사용자 정의 시나리오 정의, 커리큘럼 학습, 성능 추적이 가능합니다.

Patrolling-Zoo는 Python에서 다중 에이전트 순찰 작업을 생성하고 실험할 수 있는 유연한 프레임워크를 제공합니다. 이 라이브러리에는 감시, 모니터링, 커버리지 시나리오를 시뮬레이션하는 다양한 격자 기반 및 그래프 기반 환경이 포함되어 있습니다. 사용자는 에이전트 수, 맵 크기, 토폴로지, 보상 함수, 관측 공간을 구성할 수 있습니다. PettingZoo 및 Gym API와의 호환성 덕분에 인기 있는 강화 학습 알고리즘과 원활하게 통합됩니다. 이 환경은 일관된 설정에서 MARL 기법의 벤치마크 및 비교를 용이하게 합니다. 표준 시나리오와 새로운 시나리오를 맞춤화하는 도구를 제공하여 Patrolling-Zoo는 자율 로보틱스, 보안 감시, 수색 및 구조 작업, 대규모 영역 커버리지 연구를 가속화합니다.