SelfDrivingCarSimulator — это легкий фреймворк на Python, основанный на Pygame, предоставляющий 2D-окружение для обучения агентов автономных транспортных средств с использованием усиленного обучения. Он поддерживает настроенные макеты трасс, конфигурируемые модели датчиков (например, имитацию LiDAR и камеры), визуализацию в реальном времени и сбор данных для анализа производительности. Разработчики могут интегрировать свои алгоритмы RL, регулировать параметры физики и мониторить такие показатели, как скорость, частота столкновений и функции награждения, для быстрого итеративного развития исследований и образовательных проектов по автопилотированию.

MultiAgentModel предоставляет единый API для определения пользовательских окружений и классов агентов для сценариев с множеством агентов. Разработчики могут задавать пространства наблюдения и действий, структуры награды и каналы связи. Встроенная поддержка популярных RL-алгоритмов, таких как PPO, DQN и A2C, позволяет тренировать модели с минимальной настройкой. Инструменты визуализации в реальном времени помогают отслеживать взаимодействия агентов и показатели их эффективности. Модульная архитектура обеспечивает легкую интеграцию новых алгоритмов и пользовательских модулей. Также включает гибкую систему конфигурации для настройки гиперпараметров, утилиты логирования для отслеживания экспериментов и совместимость с OpenAI Gym для бесшовной портативности. Пользователи могут совместно работать над общими окружениями и воспроизводить зафиксированные сессии для анализа.

Репозиторий Berkeley Pacman Projects предлагает модульную кодовую базу на Python, в которой пользователи могут создавать и тестировать агентов ИИ в лабиринте Pacman. Мы руководствуемся обучением без предварительной информации и с ней (DFS, BFS, A*), состязательным многоагентным поиском (minimax, alpha-beta-отсечение) и обучением с подкреплением (Q-обучение с извлечением признаков). Встроенные графические интерфейсы визуализируют поведение агентов в реальном времени; встроенные тесты и автоградера проверяют правильность. Итеративно совершенствуя алгоритмы, пользователи приобретают практический опыт в исследовании пространства состояний, проектировании эвристик, состязательном рассуждении и обучении на основе наград в рамках единой игровой среды.

BomberManAI — это агент ИИ, разработанный для автономной игры в классическую игру Bomberman. Написанный на Python, он взаимодействует с игровой средой, чтобы в реальном времени воспринимать состояние карты, доступные ходы и позиции соперников. Основной алгоритм сочетает поиск A*, поиск в ширину для анализа достижимости и эвристическую функцию оценки для определения оптимальных мест для установки бомб и стратегий уклонения. Агент управляет динамическими препятствиями, усилителями и несколькими противниками по различным макетам карт. Его модульная архитектура позволяет разработчикам экспериментировать с пользовательскими эвристиками, модулями обучения с усилением или альтернативными стратегиями принятия решений. Идеально подходит для исследователей игровой ИИ, студентов и разработчиков соревновательных ботов, BomberManAI предоставляет гибкую основу для тестирования и улучшения автономных игровых агентов.

CommNet — это библиотека ориентированная на исследования, реализующая архитектуру CommNet, позволяющую нескольким агентам делиться скрытыми состояниями на каждом шаге времени и обучаться координировать действия в кооперативных средах. Включает определения моделей PyTorch, скрипты обучения и оценки, оболочки среды для OpenAI Gym и утилиты для настройки каналов связи, количества агентов и глубины сети. Исследователи и разработчики могут использовать CommNet для прототипирования и бенчмаркинга стратегий межагентской коммуникации в задачах навигации, преследования–уклонения и сбора ресурсов.

DataEnvGym предлагает коллекцию модульных и настраиваемых сред, построенных на API Gym, что облегчает исследования в области обучения с подкреплением в сферах, основанных на данных. Исследователи и инженеры могут выбрать встроенные задачи, такие как очистка данных, создание признаков, планирование пакетных задач и потоковая аналитика. Фреймворк поддерживает бесшовную интеграцию с популярными библиотеками RL, стандартизированные метрики оценки и инструменты логирования для отслеживания эффективности агентов. Пользователи могут расширять или объединять среды для моделирования сложных конвейеров данных и оценки алгоритмов в реалистичных условиях.

IntelligentMASPlatform создавалась для ускорения разработки и развертывания систем с несколькими агентами, предлагая модульную архитектуру с отдельными слоями для агентов, окружения и сервисов. Агенты взаимодействуют через совместимую с FIPA коммуникацию ACL, что обеспечивает динамические переговоры и координацию. В платформу входит универсальный моделятор окружения, позволяющий моделировать сложные сценарии, планировать задачи агентов и визуализировать взаимодействия в реальном времени с помощью встроенной панели. Для расширенного поведения реализованы модули обучения с подкреплением и поддерживаются пользовательские плагины поведения. Инструменты развертывания позволяют упаковать агентов в автономные приложения или распределенные сети. Также API платформы обеспечивает интеграцию с базами данных, IoT-устройствами и сторонними сервисами ИИ, что делает её подходящей для исследований, промышленной автоматизации и умных городов.

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.

Multi-Agent-Seller предоставляет модульную среду для моделирования переговоров в электронной коммерции с использованием AI-агентов. Включает готовых агентов покупателя и продавца с настраиваемыми стратегиями переговоров, такими как динамическое ценообразование, уступки по времени и принятие решений на основе полезности. Пользователи могут определять собственные протоколы, форматы сообщений и рыночные условия. Фреймворк управляет сессиями, отслеживает предложения и ведет журнал результатов с встроенными средствами визуализации для анализа взаимодействий агентов. Легко интегрируется с библиотеками машинного обучения для разработки стратегий, позволяя экспериментировать с обучением с подкреплением или правилами. Расширяемая архитектура позволяет добавлять новые типы агентов, правила переговоров и плагины визуализации. Multi-Agent-Seller идеально подходит для тестирования алгоритмов с несколькими агентами, изучения поведения переговоров и преподавания концепций в областях AI и электронной коммерции.

NeuralABM — это open-source библиотека на Python, использующая PyTorch для интеграции нейронных сетей в агентное моделирование. Пользователи могут задавать архитектуру агентов в виде нейронных модулей, определять динамику среды и обучать поведение агентов с помощью обратного распространения ошибок на этапах симуляции. Фреймворк поддерживает пользовательские сигналы вознаграждения, обучение по куррикулуму и синхронное или асинхронное обновление, что позволяет исследовать возникающие феномены. В комплект входят утилиты для логирования, визуализации и экспорта наборов данных, что позволяет исследователям и разработчикам анализировать производительность агентов, отлаживать модели и оптимизировать дизайн симуляций. NeuralABM упрощает сочетание обучения с подкреплением и ABM для приложений в области социальных наук, экономики, робототехники и AI-управляемого поведения NPC в играх. Он предоставляет модульные компоненты для настройки среды, поддерживает взаимодействие нескольких агентов и позволяет внедрять внешние датасеты или API для реальных симуляций. Открытая архитектура способствует воспроизводимости и совместной работе благодаря ясной конфигурации экспериментов и интеграции систем контроля версий.

Многопроцессорные модели NKC предоставляют исследователям и разработчикам все необходимые инструменты для проектирования, обучения и оценки систем с несколькими агентами. Они включают модульную архитектуру, позволяющую определять пользовательские политики агентов, динамику окружающей среды и структуры вознаграждения. Точная интеграция с OpenAI Gym позволяет быстро создавать прототипы, а поддержка TensorFlow и PyTorch обеспечивает гибкость выбора платформы обучения. В платформе реализованы утилиты для повторного обхода опыта, централизованного обучения с раздельным выполнением и распределенного обучения на нескольких GPU. Расширенные модули для логирования и визуализации собирают показатели выполнения, способствуя бенчмаркингу и настройке гиперпараметров. Упрощая настройку сценариев с кооперативными, соревновательными и смешанными мотивациями, NKC позволяет ускорить эксперименты в области автономных транспортных средств, робототехнических рой и игровых ИИ.

Pacman AI предлагает полностью функциональную среду на Python и платформу для агентов для классической игры Pacman. Проект реализует основные алгоритмы обучения с подкреплением—Q-обучение и итерацию ценностей—для обучения агентов оптимальным политикам сбора пилюль, навигации по лабиринту и избегания призраков. Пользователи могут задавать собственные функции наград и настраивать гиперпараметры, такие как скорость обучения, коэффициент дисконтирования и стратегию исследования. Эта платформа поддерживает ведение метрик, визуализацию производительности и воспроизводимость экспериментов. Спроектирована для легкой расширяемости, что позволяет исследователям и студентам внедрять новые алгоритмы или нейросетевые подходы и сравнивать их с базовыми методами на сетке в области Pacman.

PommerLearn позволяет исследователям и разработчикам обучать многоагентных RL-ботов в среде игры Pommerman. Включает готовые реализации популярных алгоритмов (PPO, DQN), гибкие конфигурационные файлы для гиперпараметров, автоматическое логирование и визуализацию метрик обучения, контрольные точки моделей и скрипты оценки. Его модульная архитектура облегчает расширение новыми алгоритмами, настройку среды и интеграцию с стандартными ML-библиотеками, такими как PyTorch.

Simple Playgrounds предоставляет модульную платформу для построения интерактивных 2D-окружающих сред, где агенты могут исследовать лабиринты, взаимодействовать с объектами и выполнять задачи. Пользователи определяют макеты окружения, поведение объектов и функции наград с помощью простых сценариев YAML или Python. Встроенный рендерер Pygame обеспечивает визуализацию в реальном времени, а API, основанный на шагах, гарантирует лёгкую интеграцию с библиотеками обучения с укреплением, такими как Stable Baselines3. Поддержка мультиагентных настроек, обнаружение столкновений и настраиваемые параметры физических моделей делают Simple Playgrounds удобной платформой для прототипирования, тестирования и образовательных демонстраций алгоритмов ИИ.

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.

RL Collision Avoidance предоставляет полный конвейер для разработки, обучения и внедрения политик избегания столкновений для мульти-роботов. Предлагает набор сценариев симуляции, совместимых с Gym, где агенты учатся избегать столкновений с помощью алгоритмов обучения с подкреплением. Пользователи могут настраивать параметры окружения, использовать GPU для ускоренного обучения и экспортировать полученные политики. Фреймворк также интегрирован с ROS для тестирования в реальных условиях, поддерживает предварительно обученные модели для немедленной оценки и оснащен инструментами для визуализации траекторий агентов и метрик производительности.

Простейшее самостоятельное обучение предлагает разработчикам очень простой способ создавать и обучать агентов обучения с усилением на Python. Фреймворк абстрагирует основные компоненты RL, такие как оболочки окружений, модули политик и буферы опыта в лаконичные интерфейсы. Пользователи могут быстро инициализировать окружения, определять пользовательские политики с помощью знакомых бэкендов PyTorch или TensorFlow, запускать обучающие циклы с встроенным логированием и сохранением контрольных точек. Библиотека поддерживает on-policy и off-policy алгоритмы, что позволяет гибко экспериментировать с Q-обучением, градиентами политики и методами актор-критик. Снижая объем шаблонного кода, простое самообучение позволяет специалистам, педагогам и исследователям быстро прототипировать алгоритмы, проверять гипотезы и визуализировать эффективность агентов с минимальной настройкой. Его модульная структура облегчает интеграцию с существующими ML-стеками и пользовательскими окружениями.

SoccerAgent — это специализированная система ИИ, разработанная для создания и обучения автономных футбольных агентов с использованием современных методов многопроцессного обучения с подкреплением (MARL). Она моделирует реалистичные футбольные матчи в 2D или 3D, предлагая инструменты для определения функций вознаграждения, настройки характеристик игроков и реализации стратегических тактик. Пользователи могут интегрировать популярные алгоритмы RL (такие как PPO, DDPG и MADDPG) через встроенные модули, отслеживать прогресс обучения через панели управления и визуализировать поведение агентов в реальном времени. Эта система поддерживает обучение сценариев для атаки, защиты и протоколов координации. Благодаря расширяемому коду и детальной документации SoccerAgent позволяет исследователям и разработчикам анализировать динамику команд и совершенствовать стратегии игры на базе ИИ для учебных и коммерческих проектов.

Данный репозиторий предоставляет полноценную рамочную платформу для исследований в области обучения с подкреплением в игре StarCraft II. Основной агент использует Proximal Policy Optimization (PPO) для обучения сетей политики, интерпретирующих данные наблюдений из среды PySC2 и выдающих точные действия в игре. Разработчики могут настраивать слои нейронных сетей, формирование вознаграждений и графики обучения для оптимизации производительности. Система поддерживает многопоточность для эффективного сбора образцов, утилиты логирования для мониторинга кривых обучения и скрипты оценки для тестирования обученных моделей против скриптованных или встроенных ИИ-оппонентов. Код написан на Python и использует TensorFlow для определения и оптимизации моделей. Пользователи могут расширять компоненты, такие как пользовательские функции вознаграждения, предварительная обработка состояния или архитектура сети, для достижения конкретных целей исследования.

TexasHoldemAgent представляет собой модульную среду, основанную на Python, для обучения, оценки и развертывания AI-игрока в Heads-up limit Texas Hold’em. Она интегрирует собственный симуляционный движок с алгоритмами глубокого усиленного обучения, включая DQN, для итеративного улучшения политики. Основные функции включают кодирование состояния руки, определение пространства действий (чего folded, call, raise), формирование вознаграждения и оценку решений в реальном времени. Пользователи могут настраивать параметры обучения, использовать ускорение на CPU/GPU, отслеживать ход тренировки и загружать или сохранять обученные модели. Фреймворк поддерживает пакетное моделирование для тестирования стратегий, генерации метрик эффективности и визуализации коэффициента побед, что позволяет исследователям, разработчикам и любителям покера экспериментировать с AI-стратегиями игры.