AutoDRIVE Cooperative MARL — это открытая платформа для обучения и развертывания совместных политик обучения с подкреплением для автономных заданий. Она интегрируется с реалистичными симуляторами для моделирования дорожных сценариев, таких как перекрестки, автопоезда на шоссе и сценарии слияния. В рамках реализовано централизованное обучение с децентрализованным выполнением, что позволяет транспортным средствам обучаться объединённым политикам для повышения эффективности и безопасности дорожного движения. Пользователи могут настраивать параметры среды, выбирать алгоритмы MARL, визуализировать прогресс обучения и оценивать координацию агентов.

Этот стартовый проект предоставляет полностью готовое приложение FastAPI, предварительно сконфигурированное для разработки ИИ-агентов. Использует Pydantic для валидации запросов и ответов, настройку API ключей OpenAI из переменных окружения и модульную структуру эндпоинтов. Встроенные функции включают документацию Swagger UI, обработку CORS и структурированное логирование. Это позволяет командам быстро проектировать и запускать API на базе ИИ без лишнего шаблонного кода. Разработчики только определяют модели Pydantic и функции агентов, чтобы получить рабочий API-сервер для продакшена.

Модуль Terraform AI Agent предоставляет переиспользуемую конфигурацию Terraform, которая автоматизирует полный цикл подготовки бекенда AI-агента. Он создает VPC AWS, роли IAM с минимальными правами, функции Lambda, подключенные к API OpenAI или другим моделям, REST-интерфейсы API Gateway и необязательные Step Functions для оркестрации рабочих процессов. Пользователи могут настраивать переменные окружения, параметры масштабирования, логирование и мониторинг. Модуль упрощает сложную cloud-конфигурацию за счет простых входных данных, позволяя развертывать безопасные и повторяемые системы для диалоговых AI-агентов, автоматизации задач или роботов обработки данных за считанные минуты.

Среда совместного поиска обеспечивает гибкую, совместимую с gym многопользовательскую среду обучения с подкреплением, предназначенную для задач совместного поиска как на дискретных сетках, так и в непрерывных пространствах. Агентов можно управлять при частичном наблюдении и обмениваться информацией в соответствии с настраиваемыми топологиями связи. Фреймворк поддерживает предопределенные сценарии, такие как поиск и спасение, отслеживание целей в динамике и совместное картографирование, предлагает API для определения пользовательских сценариев и структур наград. Интегрируется с популярными RL-библиотеками, такими как Stable Baselines3 и Ray RLlib, включает средства журналирования для анализа производительности и встроенные инструменты визуализации для мониторинга в реальном времени. Исследователи могут изменять размеры сеток, число агентов, диапазон сенсоров и механизмы обмена наградами для оценки стратегий координации и эффективной проверки новых алгоритмов.