OpenRL 是一个先进的强化学习框架，可以适应各种任务，从单智能体挑战到复杂的多智能体系统。它与自然语言处理（NLP）集成，使研究人员能够有效地处理强化学习训练和以语言为中心的任务的组合。通过借助 PyTorch 的功能，OpenRL 展示了模块化和以用户为中心的方法。它提供了一个简化用户体验的通用接口，适用于初学者，同时保持了专家所需的灵活性，以促进创新和算法开发。这种平衡增强了框架的实用性、适应性和可扩展性，树立了强化学习研究的新标准。

Dec, 2023

介绍了一个面向机器人应用的强化学习框架 Karolos，重点是转移场景、模块化环境架构和现有 RL 算法的实现，以及并行化环境的架构来加快实验速度。

Dec, 2022

本文提出了一个几何框架来制定零和博弈中的智能体目标，以构建产生开放式学习的自适应目标序列，从而产生比现有算法更强的智能体集合。我们将 PSRO_rN 应用于两个高度非传递性的资源分配游戏，并发现 PSRO_rN 始终优于现有替代方案。

Jan, 2019

通过 Scilab-RL 软件框架，研究人员能够有效进行认知建模和强化学习方面的研究，特别注重基于目标的强化学习和实验可视化，最大限度地提高研究产出。

Jan, 2024

SKRL 是一种开源、模块化的强化学习库，使用 Python 编写，并专注于算法实现的易读性、简洁性和透明度。它不仅支持使用 OpenAI Gym 和 DeepMind 传统接口的环境，还提供了加载、配置和操作 NVIDIA Isaac Gym 和 NVIDIA Omniverse Isaac Gym 环境的功能。此外，它还能够在同一次运行中训练多个具有可自定义范围的代理程序（所有可用环境中的子集），这些代理程序可以共享资源，也可以不共享。

Feb, 2022

本文提出了 Cooperative Open-ended LEarning (COLE) 框架，通过图形论的角度构建协作游戏的开放式目标，评估和确定每种策略的协作能力，进而解决合作不兼容的问题，并且实验证明该方法在与不同级别伙伴协调时优于现有的最先进方法。

Feb, 2023

本文介绍了一个离线技能规划的框架，该框架可以在真实世界的实验环境中解决复杂任务，测试了该框架在机械臂上的应用。

Jun, 2023

本文探讨了如何通过使用 other-play 算法增强 self-play 算法，以解决在多智能体协同环境中遇到未知合作伙伴时的问题，并以 Hanabi 卡牌游戏为例展示了该算法的实验结果。

Mar, 2020

本综述介绍了一个新的独立学习动力学网络，其保证了在零和随机博弈中的收敛性，同时也回顾了其他算法，以期推动研究有关动态环境下博弈的独立和自然学习动力学。

Nov, 2021

介绍了一种基于《星际争霸 II》游戏的增强学习环境 SC2LE，通过使用该环境，可以探索深度强化学习算法和架构。

Aug, 2017