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.

DeepMind MAS Environment는 다중 에이전트 강화 학습 작업을 구축하고 시뮬레이션할 수 있는 표준 인터페이스를 제공하는 Python 라이브러리입니다. 에이전트 수를 구성하고, 관측 및 행동 공간을 정의하며, 보상 구조를 사용자 지정할 수 있습니다. 이 프레임워크는 에이전트 간 통신 채널, 성능 로깅, 렌더링 기능을 지원합니다. 연구원은 TensorFlow 및 PyTorch와 같은 인기 있는 RL 라이브러리와 원활하게 통합하여 새 알고리즘 벤치마킹, 통신 프로토콜 테스트, 이산 및 연속 제어 도메인 분석이 가능합니다.

DEf-MARL(멀티 에이전트 강화 학습을 위한 분산 실행 프레임워크)는 중앙 제어자가 없는 협력 에이전트의 수행과 학습을 위한 견고한 인프라를 제공합니다. 피어 투 피어 통신 프로토콜을 활용하여 정책과 관측 정보를 공유하며, 로컬 상호작용을 통해 조정을 수행합니다. 이 프레임워크는 PyTorch 및 TensorFlow와 원활하게 통합되며, 사용자 정의 환경 래퍼, 분산 롤아웃 수집 및 그래디언트 동기화 모듈을 제공합니다. 사용자들은 에이전트별 관측 공간, 보상 함수, 통신 토폴로지를 정의할 수 있습니다. DEf-MARL은 런타임 동안 에이전트의 동적 추가 및 제거를 지원하며, 노드 간 중요한 상태를 복제하여 장애 내성을 갖추고, 탐색과 활용의 균형을 위한 적응형 통신 스케줄링도 수행합니다. 환경 시뮬레이션을 병렬화하고 중앙 병목 현상을 줄여 훈련 속도를 높이며, 대규모 MARL 연구와 산업용 시뮬레이션에 적합합니다.

MADDPG-Keras는 Keras에 구현된 MADDPG 알고리즘을 통해 다중 에이전트 강화 학습 연구를 위한 완전한 프레임워크를 제공합니다. 연속 행동 공간, 여러 에이전트, 표준 OpenAI Gym 환경을 지원하며, 연구자와 개발자는 신경망 구조, 학습 하이퍼파라미터, 보상 함수를 구성할 수 있으며, 내장 로깅과 모델 체크포인트 기능을 이용하여 실험을 빠르게 수행하고 벤치마킹할 수 있습니다.

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.

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.

MARO(다중 에이전트 자원 최적화)는 공급망, 물류, 자원 관리를 위한 다중 에이전트 강화 학습 에이전트의 개발과 평가를 지원하는 파이썬 기반 프레임워크입니다. 재고 관리, 트럭 예약, 크로스 도킹, 컨테이너 임대 등 환경 템플릿을 포함하고 있습니다. 통합된 에이전트 API, 내장된 실험 추적기, 대규모 훈련을 위한 병렬 시뮬레이션 기능, 성능 분석을 위한 시각화 도구를 제공합니다. 모듈식으로 설계되어 확장 가능하며, 인기 있는 RL 라이브러리와 통합되어 재현 가능한 연구와 신속한 AI 최적화 프로토타이핑을 가능하게 합니다.

Mava는 다중 에이전트 강화 학습 시스템 개발, 훈련, 평가를 위한 JAX 기반 오픈소스 라이브러리입니다. MAPPO와 MADDPG 같은 협력 및 경쟁 알고리즘의 사전 구현과 단일 노드 및 분산 워크플로우를 지원하는 구성 가능한 훈련 루프를 제공합니다. 연구자는 PettingZoo에서 환경을 가져오거나 커스텀 환경을 정의할 수 있으며, 정책 최적화, 재생 버퍼 관리, 메트릭 로깅을 위한 Mava의 모듈형 구성요소를 사용할 수 있습니다. 프레임워크의 유연한 구조는 새로운 알고리즘, 사용자 정의 관측 공간, 보상 구조의 원활한 통합을 가능하게 합니다. JAX의 자동 벡터화 및 하드웨어 가속 기능을 활용하여 Mava는 효율적인 대규모 실험과 다양한 다중 에이전트 시나리오에서의 재현 가능한 벤치마킹을 보장합니다.

MGym은 Python에서 다중 에이전트 강화 학습(MARL) 환경을 구축하고 관리하기 위한 전문 프레임워크입니다. 여러 에이전트가 포함된 복잡한 시나리오를 정의할 수 있으며, 각각 커스터마이즈 가능한 관측·행동 공간, 보상 함수, 상호작용 규칙을 가집니다. MGym은 동기 및 비동기 실행 모드를 지원하며, 병행과 회전 기반 에이전트 시뮬레이션을 제공합니다. Gym과 유사한 API로 설계되어 Stable Baselines, RLlib, PyTorch와 원활히 통합됩니다. 환경 벤치마킹, 결과 시각화, 성능 분석을 위한 유틸리티 모듈도 포함되어 있어 MARL 알고리즘의 체계적 평가가 가능합니다. 모듈식 구조로 협력적, 경쟁적 또는 혼합형 에이전트 태스크를 빠르게 프로토타이핑할 수 있어 연구자와 개발자가 MARL 실험과 연구를 가속화할 수 있습니다.

Multi-Agent Miners는 여러 자율 광부 에이전트들이 이동하고 채굴하며 자원을 수집하는 그리드 월드 환경을 제공합니다. 설정 가능한 맵 크기, 에이전트 수, 보상 구조를 지원하며 경쟁 또는 협력 시나리오를 생성할 수 있습니다. 프레임워크는 PettingZoo를 통해 인기 있는 RL 라이브러리와 통합되어 재설정, 단계 및 렌더링 함수에 대한 표준 API를 제공합니다. 시각화 모드와 로깅 지원으로 행동과 결과 분석이 가능하며, 연구, 교육 및 알고리즘 벤치마킹에 적합합니다.

multiagent-env는 다중 에이전트 강화 학습 환경의 생성과 평가를 간소화하도록 설계된 오픈소스 파이썬 라이브러리입니다. 사용자들은 에이전트 수, 행동 및 관측 공간, 보상 함수, 환경 역학을 지정하여 협력 및 적대적 시나리오를 정의할 수 있습니다. 실시간 시각화, 커스터마이징 가능한 렌더링, Stable Baselines, RLlib과 같은 파이썬 기반 RL 프레임워크와의 손쉬운 통합을 지원합니다. 모듈화된 설계로 새로운 시나리오의 빠른 프로토타이핑과 다중 에이전트 알고리즘의 간단한 벤치마킹이 가능합니다.

이 저장소는 MADDPG, DDPG, PPO 등을 비롯한 완전한 다중 에이전트 강화 학습 알고리즘 세트를 표준 벤치마크인 Multi-Agent Particle Environment와 OpenAI Gym과 통합하여 제공합니다. 사용자 맞춤형 환경 래퍼, 구성 가능한 훈련 스크립트, 실시간 로깅 및 성능 평가 지표를 특징으로 하며, 사용자는 알고리즘 확장, 맞춤 작업에 적응시키기 쉽고, 최소한의 설정으로 협력 및 경쟁 환경 간 정책을 비교할 수 있습니다.

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.