GYM_XPLANE_ML envolve o simulador de voo X-Plane como um ambiente OpenAI Gym, expondo controles de acelerador, elevador, ailerons e leme como espaços de ação e parâmetros de voo como altitude, velocidade e orientação como observações. Usuários podem automatizar fluxos de trabalho de treinamento em Python, selecionar cenários predefinidos ou personalizar pontos, condições meteorológicas e modelos de aeronaves. A biblioteca gerencia comunicação de baixa latência com X-Plane, executa episódios em modo síncrono, registra métricas de desempenho e suporta renderização em tempo real para depuração. Facilitando desenvolvimento iterativo de autoplotes baseados em ML e algoritmos RL experimentais em ambiente de voo de alta fidelidade.

MAPF_G2RL é uma estrutura de pesquisa de código aberto que une teoria dos gráficos e aprendizagem por reforço profundo para resolver o problema de busca de caminho multiagente (MAPF). Ela codifica nós e arestas em representações vetoriais, define funções de recompensa espacial e conscientes de colisões, e suporta vários algoritmos de RL, como DQN, PPO e A2C. A estrutura automatiza a criação de cenários gerando gráficos aleatórios ou importando mapas do mundo real, e coordena laços de treinamento que otimizam políticas para múltiplos agentes simultaneamente. Após o aprendizado, os agentes são avaliados em ambientes simulados para medir a otimização do caminho, o tempo de execução total e as taxas de sucesso. Seu design modular permite que pesquisadores estendam componentes essenciais, integrem novas técnicas de MARL e façam benchmarks contra solucionadores clássicos.