这篇研究论文介绍了 XuanCe，一个全面统一的深度强化学习（DRL）库，旨在与 PyTorch、TensorFlow 和 MindSpore 兼容。XuanCe 提供了广泛的功能，包括超过 40 种经典的 DRL 和多智能体 DRL 算法，具有易于整合新算法和环境的灵活性。该库是一个多功能的 DRL 库，支持 CPU、GPU 和 Ascend，并可在 Ubuntu、Windows、MacOS 和 EulerOS 等各种操作系统上执行。对包括 MuJoCo、Atari 和 StarCraftII 多智能体挑战在内的热门环境进行的广泛基准测试证明了该库的出色性能。XuanCe 是开源的，可以在此 https URL 下获得。

Dec, 2023

本文介绍了 d3rlpy，这是一个针对 Python 的开源深度强化学习库，其支持一组离线深度强化学习算法以及通过一个完全记录的即插即用的 API 进行的离线策略算法。为解决再现性问题，我们使用 D4RL 和 Atari 2600 数据集进行了大规模基准测试，以确保实现质量，并提供了实验脚本和完整的结果表格。d3rlpy 源代码可以在 GitHub 上找到： https://github.com/takuseno/d3rlpy。

Nov, 2021

介绍了 TorchRL，一个通用控制库，用于处理决策和控制任务，支持 Reinforcement Learning，基于 PyTorch 设计，提供完善的集成组件和独立组件的平衡。

Jun, 2023

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

该论文探讨了将模块化 RL 方法应用于 Mujoban 任务的可行性，并证明了模块化 RL 方法比仅有一个单一 RL 代理的方法更加优越。

Oct, 2020

简介：本文介绍了 rlpyt，该代码库通过单一存储库实现了所有深度强化学习算法，包括深度 Q-learning、策略梯度和 Q-value 策略梯度模型，使用 PyTorch 实现模块化。

Sep, 2019

本文介绍了一种名为 JORLDY 的开源强化学习框架，提供了超过 20 种使用广泛的 RL 算法和多种 RL 环境，支持 PyTorch 平台，并支持算法组件自由定制，有助于推进 RL 领域的进一步发展。

Apr, 2022

本文提出了基于 PyTorch 的 MBRL-Lib 机器学习库，旨在为研究人员提供一个易于开发、调试和比较新算法的平台，也为非专业用户降低应用最先进算法的门槛。

Apr, 2021

利用深度神经网络，行动编码和并行执行器等方法，本文提出了一个名为 DouZero 的博弈 AI 系统，目标是在三人斗地主游戏中解决人工智能挑战。通过集成传统蒙特卡罗方法，DouZero 在数天的训练后就表现出色，并在 Botzone 排行榜上排名第一。本文展示了即使在行动空间复杂的情况下，经典的 蒙特卡罗方法 也能带来突破。

Jun, 2021

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