AutoDRIVE Cooperative MARL은 자율주행 임무를 위한 협력형 다중 에이전트 강화학습(MARL) 정책을 훈련시키고 배포하기 위해 설계된 오픈소스 프레임워크입니다. 교차로, 고속도로 플레토닝, 병합과 같은 교통 시나리오를 모델링 하기 위해 현실감 있는 시뮬레이터와 통합됩니다. 이 프레임워크는 중앙집중식 훈련과 분산형 실행을 구현하여 차량들이 공유된 정책을 학습하여 교통 효율성과 안전성을 극대화할 수 있도록 합니다. 사용자들은 환경 파라미터를 설정하고, 기본 MARL 알고리즘을 선택하며, 훈련 진행 상황을 시각화하고, 에이전트 협조 성과를 벤치마킹할 수 있습니다.

이 스타터 프로젝트는 AI 에이전트 개발을 위해 미리 구성된 FastAPI 애플리케이션을 제공합니다. Pydantic으로 요청/응답 검증, OpenAI API 키를 위한 환경 기반 구성, 모듈식 엔드포인트 스캐폴딩을 사용합니다. 내장 기능에는 Swagger UI 문서, CORS 처리, 구조화된 로깅이 포함되며, 팀은 보일러플레이트 부담 없이 빠르게 프로토타입 제작 및 배포할 수 있습니다. 개발자는 간단히 Pydantic 모델과 에이전트 함수를 정의하여 프로덕션 수준의 API 서버를 구축할 수 있습니다.

AI 에이전트 Terraform 모듈은 엔드투엔드 AI 에이전트 백엔드 프로비저닝을 자동화하는 재사용 가능한 Terraform 구성을 제공합니다. AWS VPC, 최소 권한 정책을 갖춘 IAM 역할, OpenAI 또는 사용자 정의 모델 API에 연결된 Lambda 함수, API Gateway REST 인터페이스, 그리고 워크플로우 조정을 위한 선택적 Step Functions를 생성합니다. 사용자 환경 변수, 확장 설정, 로깅 및 모니터링을 커스터마이즈할 수 있습니다. 이 모듈은 복잡한 클라우드 설정을 간단한 입력으로 추상화하여 몇 분 만에 빠르고 일관되며 안전하게 대화형 AI 에이전트, 작업 자동화 또는 데이터 처리 봇을 배포할 수 있게 합니다.

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.