AutoDRIVE Cooperative MARL é uma estrutura hospedada no GitHub que combina o simulador de condução urbana AutoDRIVE com algoritmos adaptáveis de aprendizado por reforço multiagente. Inclui scripts de treinamento, wrappers de ambiente, métricas de avaliação e ferramentas de visualização para desenvolver e testar políticas de condução cooperativa. Os usuários podem configurar os espaços de observação dos agentes, funções de recompensa e hiperparâmetros de treinamento. O repositório suporta extensões modulares, permitindo definições personalizadas de tarefas, aprendizagem por currículo e acompanhamento de desempenho para pesquisas em coordenação de veículos autônomos.

DeepMind MAS Environment é uma biblioteca Python que fornece uma interface padronizada para construir e simular tarefas de aprendizado por reforço multiagente. Permite configurar o número de agentes, definir espaços de observação e ação, e personalizar estruturas de recompensa. A estrutura suporta canais de comunicação entre agentes, registro de desempenho e capacidades de renderização. Pesquisadores podem integrar facilmente o DeepMind MAS Environment com bibliotecas populares de RL, como TensorFlow e PyTorch, para avaliar novos algoritmos, testar protocolos de comunicação e analisar domínios de controle discretos e contínuos.

DEf-MARL (Estrutura de Execução Descentralizada para Aprendizado por Reforço Multiagente) fornece uma infraestrutura robusta para executar e treinar agentes cooperativos sem controladores centralizados. Ela utiliza protocolos de comunicação ponto a ponto para compartilhar políticas e observações entre agentes, permitindo coordenação por meio de interações locais. A estrutura se integra perfeitamente com ferramentas comuns de RL, como PyTorch e TensorFlow, oferecendo wrappers personalizáveis de ambientes, coleta distribuída de rollout e módulos de sincronização de gradientes. Os usuários podem definir espaços de observação específicos do agente, funções de recompensa e topologias de comunicação. O DEf-MARL suporta adição e remoção dinâmica de agentes em tempo de execução, execução tolerante a falhas através da replicação de estados críticos entre nós e agendamento adaptativo de comunicação para equilibrar exploração e explotação. Ele acelera o treinamento ao paralelizar simulações de ambientes e reduzir gargalos centrais, tornando-o adequado para pesquisa em MARL em grande escala e simulações industriais.

MADDPG-Keras oferece uma estrutura completa para pesquisa em aprendizado por reforço multiagente ao implementar o algoritmo MADDPG em Keras. Suporta espaços de ação contínuos, múltiplos agentes e ambientes padrão do OpenAI Gym. Pesquisadores e desenvolvedores podem configurar arquiteturas de redes neurais, hiperparâmetros de treinamento e funções de recompensa, iniciando experimentos com registros integrados e checkpointing de modelos para acelerar o aprendizado de políticas multiagente e benchmarking.

Patrolling-Zoo oferece uma estrutura flexível que permite aos usuários criar e experimentar tarefas de patrulhamento multiagente em Python. A biblioteca inclui uma variedade de ambientes baseados em grade e grafo, simulando cenários de vigilância, monitoramento e cobertura. Os usuários podem configurar o número de agentes, tamanho do mapa, topologia, funções de recompensa e espaços de observação. Com compatibilidade com as APIs do PettingZoo e Gym, suporta integração perfeita com algoritmos populares de aprendizado por reforço. Este ambiente facilita a avaliação e comparação de técnicas MARL sob configurações consistentes. Ao fornecer cenários padrão e ferramentas para personalizar novos, Patrolling-Zoo acelera pesquisas em robótica autônoma, vigilância de segurança, operações de busca e resgate e cobertura eficiente de áreas usando estratégias de coordenação multiagente.

O Ambiente de Busca Cooperativa fornece um ambiente de aprendizado por reforço multiagente flexível e compatível com gym, projetado para tarefas de busca cooperativa tanto em ambientes de grade discreta quanto em espaços contínuos. Os agentes operam sob observabilidade parcial e podem compartilhar informações com base em topologias de comunicação personalizáveis. O framework suporta cenários predefinidos como busca e resgate, rastreamento de alvos dinâmicos e mapeamento colaborativo, com APIs para definir ambientes e estruturas de recompensa personalizadas. Integra-se facilmente com bibliotecas de RL populares como Stable Baselines3 e Ray RLlib, inclui utilitários de registro para análise de desempenho e oferece ferramentas de visualização integradas para monitoramento em tempo real. Pesquisadores podem ajustar tamanhos de grade, contagem de agentes, alcances de sensores e mecanismos de compartilhamento de recompensas para avaliar estratégias de coordenação e testar novos algoritmos de forma eficaz.

MARO (Otimização de Recursos Multiagente) é uma estrutura baseada em Python projetada para apoiar o desenvolvimento e avaliação de agentes de aprendizagem por reforço multiagente em cenários de cadeia de suprimentos, logística e gestão de recursos. Inclui modelos de ambientes para gestão de inventário, agendamento de caminhões, cross-docking, aluguel de contêineres e mais. Oferece uma API unificada de agentes, rastreadores integrados para registro de experimentos, capacidades de simulação paralela para treinamento em larga escala e ferramentas de visualização para análise de desempenho. A plataforma é modular, extensível e integra-se com bibliotecas populares de RL, possibilitando pesquisa reprodutível e prototipagem rápida de soluções de otimização baseadas em IA.

Mava é uma biblioteca de código aberto baseada em JAX para desenvolver, treinar e avaliar sistemas de aprendizado por reforço multi-agente. Oferece implementações pré-construídas de algoritmos cooperativos e competitivos, como MAPPO e MADDPG, juntamente com ciclos de treinamento configuráveis que suportam fluxos de trabalho de nó único e distribuídos. Pesquisadores podem importar ambientes do PettingZoo ou definir ambientes personalizados, usando os componentes modulares do Mava para otimização de políticas, gerenciamento de buffer de replay e registro de métricas. A arquitetura flexível da estrutura permite integração perfeita de novos algoritmos, espaços de observação personalizados e estruturas de recompensa. Aproveitando as capacidades de auto-vectorização e aceleração de hardware do JAX, o Mava garante experimentos eficientes em larga escala e benchmarking reprodutível em diversos cenários multi-agente.

MGym é uma estrutura especializada para criar e gerenciar ambientes de aprendizado por reforço multiagente (MARL) em Python. Permite aos usuários definir cenários complexos com múltiplos agentes, cada um com espaços de observação e ação ajustáveis, funções de recompensa e regras de interação. MGym suporta modos de execução síncrona e assíncrona, oferecendo simulação de agentes em paralelo e por turnos. Com uma API similar à do Gym, MGym integra-se facilmente com bibliotecas populares de RL como Stable Baselines, RLlib e PyTorch. Inclui módulos utilitários para benchmarking de ambientes, visualização de resultados e análise de desempenho, facilitando a avaliação sistemática de algoritmos MARL. Sua arquitetura modular permite prototipagem rápida de tarefas cooperativas, competitivas ou de agentes mistos, capacitando pesquisadores e desenvolvedores a acelerarem experimentações e pesquisas em MARL.

Multi-Agent Miners oferece um ambiente de mundo em grade onde múltiplos agentes mineradores autônomos navegam, cavando e coletando recursos enquanto interagem entre si. Suporta tamanhos de mapa configuráveis, contagem de agentes e estruturas de recompensa, permitindo criar cenários competitivos ou cooperativos. O framework integra-se com bibliotecas populares de RL via PettingZoo, fornecendo APIs padronizadas para funções de reset, passo e renderização. Modos de visualização e suporte à registro ajudam na análise de comportamentos e resultados, tornando-o ideal para pesquisa, educação e avaliação de algoritmos em aprendizado por reforço multiagente.

multiagent-env é uma biblioteca open-source em Python projetada para simplificar a criação e avaliação de ambientes de aprendizado por reforço multiagente. Os usuários podem definir cenários cooperativos e adversariais especificando o número de agentes, espaços de ação e observação, funções de recompensa e dinâmica ambiental. Suporta visualização em tempo real, renderização configurável e fácil integração com frameworks RL baseados em Python, como Stable Baselines e RLlib. O design modular permite prototipagem rápida de novos cenários e benchmarking simples de algoritmos multiagentes.

Este repositório fornece um conjunto completo de algoritmos de aprendizado por reforço multiagente—incluindo MADDPG, DDPG, PPO e outros—integrados com benchmarks padrão como o Multi-Agent Particle Environment e OpenAI Gym. Possui wrappers de ambiente personalizáveis, scripts de treinamento configuráveis, registro de logs em tempo real e métricas de avaliação de desempenho. Os usuários podem facilmente estender algoritmos, adaptar para tarefas personalizadas e comparar políticas em configurações cooperativas e adversariais com configuração mínima.

multiagent_envs oferece um conjunto modular de ambientes baseados em Python, sob medida para pesquisa e desenvolvimento em aprendizado por reforço multiagente. Inclui cenários como navegação cooperativa, predador-vítima, dilemas sociais e arenas competitivas. Cada ambiente permite definir o número de agentes, características de observação, funções de recompensa e dinâmica de colisões. O framework integra-se perfeitamente com bibliotecas populares de RL, como Stable Baselines e RLlib, permitindo loops de treinamento vetorizados, execução paralela e fácil registro. Os usuários podem estender cenários existentes ou criar novos seguindo uma API simples, acelerando a experimentação com algoritmos como MADDPG, QMIX e PPO em uma configuração consistente e reprodutível.