Данное репозитории реализует появляющуюся коммуникацию в задачах обучения с подкреплением для нескольких агентов с помощью PyTorch. Пользователи могут настроить нейронные сети для отправителей и получателей для игры в референциальные игры или совместную навигацию, побуждая агентов развивать дискретный или непрерывный канал связи. Включены скрипты для обучения, оценки и визуализации изученных протоколов, а также утилиты для создания окружений, кодирования и декодирования сообщений. Исследователи могут расширять их пользовательскими задачами, изменять архитектуру сетей и анализировать эффективность протоколов, что способствует быстрому экспериментированию в области появления коммуникации агентов.

Mean-Field MARL предоставляет надежный фреймворк на Python для реализации и оценки алгоритмов обучения с подкреплением для нескольких агентов с помощью среднего поля. Он моделирует взаимодействия больших агентов, аппроксимируя средний эффект соседних агентов через Q-обучение с использованием среднего поля. В библиотеку входят обертки сред, модули политик агентов, циклы обучения и метрики оценки, что позволяет масштабировать обучение сотен агентов. Созданный на базе PyTorch для ускорения на GPU, он поддерживает настраиваемые среды, такие как Particle World и Gridworld. Модульный дизайн облегчает расширение новыми алгоритмами, а встроенные инструменты логирования и визуализации на базе Matplotlib позволяют отслеживать награды, кривые потерь и распределения среднего поля. Примерные скрипты и документация помогают пользователям настроить, конфигурировать эксперименты и анализировать результаты, делая его идеальным как для исследований, так и для прототипирования больших систем агентов.

RL-Agents — это научный уровень фреймворка обучения с подкреплением, построенного на PyTorch, объединяющего популярные RL-алгоритмы из методов, основанных на ценности, политике и акторе-критике. Библиотека включает модульный API агентов, GPU-ускорение, бесшовную интеграцию с OpenAI Gym и встроенные инструменты логирования и визуализации. Пользователи могут настраивать гиперпараметры, адаптировать циклы обучения и тестировать производительность с помощью нескольких строк кода, что делает RL-Agents идеальным выбором для академических исследований, прототипирования и промышленного эксперимента.

Vanilla Agents — это лёгкий фреймворк на базе PyTorch, предоставляющий модульные и расширяемые реализации основных агентов обучения с подкреплением. Он поддерживает алгоритмы DQN, Double DQN, PPO и A2C, с подключаемыми обёртками окружений, совместимыми с OpenAI Gym. Пользователи могут настраивать гиперпараметры, регистрировать метрики обучения, сохранять контрольные точки и визуализировать кривые обучения. Код организован ясно, что делает его идеальным для прототипирования, образовательных целей и бенчмаркинга новых идей в RL.

Возникающая коммуникация в агентах — это открытая платформа на PyTorch, предназначенная для исследователей, изучающих, как многопользовательские системы разрабатывают собственные протоколы связи. Библиотека предлагает гибкие реализации совместных задач обучения с подкреплением, включая референциальные игры, комбинированные игры и задачи идентификации объектов. Пользователи определяют архитектуры говорящих и слушающих агентов, задают свойства каналов сообщений, такие как размер словаря и длина последовательности, и выбирают стратегии обучения, такие как градиенты политики или контролируемое обучение. В рамках представлены скрипты для запуска экспериментов, анализа эффективности коммуникации и визуализации возникающих языков. Модульная конструкция обеспечивает лёгкое расширение новыми игровыми средами или пользовательскими функциями потерь. Исследователи могут воспроизводить опубликованные исследования, создавать эталонные модели новых алгоритмов и исследовать композиционность и семантику языков агентов.

MARL Simulator предназначен для эффективной и масштабируемой разработки алгоритмов мультиагентного обучения с подкреплением (MARL). Используя распределённое ядро PyTorch, он позволяет запускать параллельное обучение на нескольких GPU или узлах, значительно сокращая время экспериментов. Модульный интерфейс окружений поддерживает стандартные сценарии — такие как совместная навигация, охотник-жертва и мир в сетке, — а также пользовательские среды. Агентам доступны различные протоколы коммуникации для координации действий, обмена наблюдениями и синхронизации наград. Настраиваемые пространства наград и наблюдений обеспечивают тонкий контроль за динамикой обучения, а встроенные инструменты логирования и визуализации дают постоянный обзор показателей эффективности.

Этот проект с открытым исходным кодом представляет собой полный фреймворк обучения с подкреплением для нескольких агентов на базе PyTorch и Unity ML-Agents. Включает децентрализованные алгоритмы DDPG, обертки окружения и тренировочные скрипты. Пользователи могут настраивать политики агентов, критические сети, буферы повторных данных и параллельных рабочих. Встроены хуки для логирования и мониторинга с помощью TensorBoard, а модульная структура позволяет легко внедрять пользовательские функции награды и параметры окружения. В репозитории есть примерные сцены Unity с демонстрациями задач совместной навигации, что делает его идеально подходящим для расширения и бенчмаркинга сценариев с множеством агентов в симуляциях.