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.

Comunicação Emergente em Agentes é uma estrutura de PyTorch de código aberto projetada para pesquisadores explorarem como sistemas multiagentes desenvolvem seus próprios protocolos de comunicação. A biblioteca oferece implementações flexíveis de tarefas de aprendizagem por reforço cooperativa, incluindo jogos referenciais, jogos de combinação e desafios de identificação de objetos. Os usuários definem arquiteturas de agentes falantes e ouvintes, especificam propriedades do canal de mensagem como tamanho do vocabulário e comprimento da sequência, e selecionam estratégias de treinamento como gradientes de política ou aprendizagem supervisionada. A estrutura inclui scripts ponta a ponta para executar experimentos, analisar eficiência de comunicação e visualizar línguas emergentes. Seu design modular permite fácil extensão com novos ambientes de jogo ou funções de perda personalizadas. Pesquisadores podem reproduzir estudos publicados, avaliar novos algoritmos e explorar a composicionalidade e semântica das línguas emergentes dos agentes.

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.

RL Shooter é uma estrutura baseada em Python que integra ViZDoom com APIs do OpenAI Gym para criar um ambiente de aprendizagem por reforço flexível para jogos FPS. Os usuários podem definir cenários, mapas e estruturas de recompensa personalizadas para treinar agentes em tarefas de navegação, detecção de alvos e tiro. Com quadros de observação ajustáveis, espaços de ação e facilidades de registro, suporta bibliotecas populares de RL profundo como Stable Baselines e RLlib, permitindo acompanhamento claro de desempenho e reprodutibilidade entre experimentos.

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.