JaCaMo ofrece un entorno unificado para diseñar y ejecutar sistemas multiagente (MAS) integrando tres componentes principales: el lenguaje de programación de agentes Jason para agentes basados en BDI, CArtAgO para modelado del entorno con artefactos, y Moise para definir estructuras organizacionales y roles. Los desarrolladores pueden escribir planes de agentes, definir artefactos con operaciones y organizar grupos de agentes bajo marcos normativos. La plataforma incluye herramientas para simulación, depuración y visualización de interacciones MAS. Con soporte para ejecución distribuida, repositorios de artefactos y comunicación flexible, JaCaMo permite prototipado rápido y investigaciones en áreas como inteligencia en enjambre, robótica colaborativa y toma de decisiones distribuidas. Su diseño modular asegura escalabilidad y extensibilidad en proyectos académicos e industriales.
Características principales de JaCaMo
Programación de agentes basada en BDI con Jason
Modelado del entorno mediante artefactos en CArtAgO
Especificación organizacional usando Moise
Soporte CLI y IDE
Herramientas de simulación y depuración
Ejecución distribuida y mensajería
Pros y Contras de JaCaMo
Desventajas
No hay información directa sobre precios disponible.
No se encontraron aplicaciones móviles ni extensiones para navegador.
Puede tener una curva de aprendizaje pronunciada debido a su complejo paradigma de programación orientado a multiagentes.
Ventajas
Soporta programación integral de sistemas multiagentes incluyendo agentes, ambiente y organización.
Diseñado para aplicaciones que demandan autonomía, descentralización, coordinación y apertura.
Código abierto con un repositorio activo en GitHub.
Proporciona recursos educativos y cursos para el aprendizaje de sistemas multiagentes.
Incluye una interfaz de línea de comandos para crear, ejecutar y gestionar aplicaciones multiagentes.
Soporta integración con frameworks como ROS para el desarrollo de robots autónomos.
Un marco de código abierto basado en múltiples agentes con aprendizaje por refuerzo para el control cooperativo de vehículos autónomos en escenarios de tráfico.
AutoDRIVE Cooperative MARL es un marco de código abierto diseñado para entrenar y desplegar políticas de aprendizaje por refuerzo multiactores cooperativos para tareas de conducción autónoma. Se integra con simuladores realistas para modelar escenarios de tráfico como intersecciones, formación de convoy en autopistas y escenarios de fusión. El marco implementa entrenamiento centralizado con ejecución descentralizada, permitiendo que los vehículos aprendan políticas compartidas que maximicen la eficiencia y seguridad del tráfico global. Los usuarios pueden configurar parámetros del entorno, escoger algoritmos MARL de referencia, visualizar el progreso del entrenamiento y evaluar la coordinación de los agentes.
Características principales de AutoDRIVE Cooperative MARL