MAPF_G2RL — это открытая исследовательская среда, соединяющая теорию графов и глубокое усиленное обучение для решения задачи поиска путей с несколькими агентами (MAPF). Она кодирует узлы и ребра в векторные представления, определяет пространственные и коллизионно-осведомленные функции награды, поддерживает различные алгоритмы RL, такие как DQN, PPO и A2C. Фреймворк автоматизирует создание сценариев, генерируя случайные графы или импортируя карты реального мира, а также управляет циклами обучения, оптимизирующими политики для нескольких агентов одновременно. После обучения агенты оцениваются в симуляционных средах по показателям оптимальности маршрутов, времени выполнения и уровню успеха. Его модульный дизайн позволяет исследователям расширять ключевые компоненты, интегрировать новые методы MARL и проводить сравнение с классическими решателями.

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.

Text-to-Reward предоставляет pipeline для обучения моделей вознаграждения, которые отображают текстовые описания задач или отзывы в скалярные значения вознаграждения для агентов RL. Используя архитектуры на базе трансформеров и тонкую настройку на собранных данных предпочтений человека, фреймворк автоматически учится интерпретировать инструкции на естественном языке как сигналы вознаграждения. Пользователи могут задавать произвольные задачи через текстовые подсказки, обучать модель и затем интегрировать полученную функцию вознаграждения в любой алгоритм RL. Такой подход устраняет необходимость ручного задания наград, повышает эффективность выборки и позволяет агентам следовать сложным многошаговым инструкциям в симулированных или реальных средах.