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.

DataEnvGym fornece uma coleção de ambientes modulares e personalizáveis baseados na API Gym para facilitar a pesquisa em aprendizado por reforço em domínios orientados a dados. Pesquisadores e engenheiros podem escolher entre tarefas embutidas como limpeza de dados, engenharia de recursos, agendamento de lotes e análise de streaming. A estrutura suporta integração tranquila com bibliotecas RL populares, métricas de benchmarking padronizadas e ferramentas de registro para acompanhar o desempenho do agente. Os usuários podem estender ou combinar ambientes para modelar pipelines de dados complexos e avaliar algoritmos sob restrições realistas.

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.