AutoDRIVE Cooperative MARL é uma estrutura de código aberto projetada para treinar e implantar políticas de aprendizado por reforço multiagente cooperativo (MARL) para tarefas de condução autônoma. Ela integra simuladores realistas para modelar cenários de tráfego como interseções, formação de comboios em rodovias e fusões. A estrutura implementa treinamento centralizado com execução descentralizada, permitindo que veículos aprendam políticas compartilhadas que maximizam a eficiência e segurança do tráfego. Os usuários podem configurar parâmetros do ambiente, escolher algoritmos MARL de base, visualizar o progresso do treinamento e comparar o desempenho da coordenação dos agentes.

Este projeto inicial fornece uma aplicação FastAPI pronta para uso, pré-configurada para desenvolvimento de agentes de IA. Usa Pydantic para validação de solicitação/resposta, configuração baseada em ambiente para chaves API do OpenAI e scaffolding modular de endpoints. Recursos integrados incluem documentação Swagger UI, manipulação de CORS e registro estruturado, permitindo que equipes façam protótipos e implantem endpoints alimentados por IA rapidamente, sem sobrecarga de boilerplate. Os desenvolvedores simplesmente definem modelos Pydantic e funções de agente para obter um servidor API pronto para produção.

O Módulo Terraform de Agente de IA fornece uma configuração Terraform reutilizável que automatiza o provisionamento de ponta a ponta de um backend de agente de IA. Cria uma VPC na AWS, funções IAM com políticas de mínimo privilégio, funções Lambda conectadas às APIs do OpenAI ou modelos personalizados, interfaces REST do API Gateway e, opcionalmente, Step Functions para orquestração de fluxos de trabalho. Os usuários podem personalizar variáveis de ambiente, configurações de escala, registro e monitoramento. O módulo abstrai configurações complexas de nuvem em entradas simples, permitindo uma implantação rápida, consistente e segura de agentes de IA conversacionais, automações de tarefas ou bots de processamento de dados em minutos.

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.