on-policy
★ 2.0k
vs
skrl
★ 1.1k
on-policy vs skrl
on-policy：该存储库实现了MAPPO，一种PPO的多智能体变体，广泛应用于合作多智能体游戏和研究。它为星际争霸II、花火和谷歌足球等多种多智能体环境提供了健壮的实现，并附有详细的训练脚本和超参数指南。；skrl：skrl是一个用Python实现的开源模块化强化学习库，支持PyTorch、JAX和NVIDIA Warp。它专注于模块化、可读性、简单性和透明的算法实现，同时支持Gym、Gymnasium和Isaac Lab等多种环境接口。
01
简评
选 on-policy 如果…合作多智能体强化学习的研究与实验
选 skrl 如果…开发和测试新的强化学习算法
02
并排对比
03
功能特性
on-policy01MAPPO（多智能体PPO）的实现
02支持多样化的多智能体环境（如星际争霸II、花火）
03提供各种场景的即用型训练脚本
04详细的超参数指导和最新结果
05默认支持智能体间的共享策略
skrl01模块化和可扩展设计
02透明的算法实现
03多框架支持（PyTorch, JAX, NVIDIA Warp）
04兼容多种环境接口（Gym, Gymnasium, PettingZoo, ManiSkill）
05在NVIDIA Isaac Lab和MuJoCo Playground中进行基于范围的资源共享同时训练
04
使用场景
on-policy↳合作多智能体强化学习的研究与实验
↳评估PPO在多智能体强化学习场景中的有效性
↳为星际争霸II和花火等流行多智能体游戏训练AI智能体
skrl↳开发和测试新的强化学习算法
↳在各种模拟环境中训练AI代理（例如，机器人控制、游戏AI）
↳利用多个后端框架进行强化学习研究
05
适合场景
on-policy时下流行强化学习多智能体AI
skrl时下流行必备神器
FAQ
常见问题
on-policy 和 skrl 有什么区别？
on-policy 和 skrl 都属于 LLM Infra 类别。on-policy 有 2.0k Stars，skrl 有 1.1k Stars。
on-policy 和 skrl 哪个更好？
最佳选择取决于你的具体需求。合作多智能体强化学习的研究与实验 时选 on-policy，开发和测试新的强化学习算法 时选 skrl。
on-policy 是免费的吗？
是的，on-policy 在 GitHub 开源（MIT）。
skrl 是免费的吗？
是的，skrl 在 GitHub 开源。
→