El proyecto Sistema Robótico Multi-Agente ofrece una plataforma modular basada en Python para desarrollar, simular y desplegar equipos robóticos cooperativos. En su núcleo, implementa estrategias de control descentralizado, permitiendo que los robots compartan información de estado y asignen tareas de forma colaborativa sin un coordinador central. El sistema incluye módulos integrados para planificación de rutas, evitación de colisiones, mapeo de entornos y programación dinámica de tareas. Los desarrolladores pueden integrar nuevos algoritmos extendiendo las interfaces proporcionadas, ajustar los protocolos de comunicación mediante archivos de configuración y visualizar las interacciones de los robots en entornos simulados. Compatible con ROS, soporta transiciones sin problemas desde la simulación hasta despliegues en hardware real. Este marco acelera la investigación al proporcionar componentes reutilizables para comportamiento en enjambre, exploración colaborativa y experimentos de automatización en almacenes.

OpenMAS está diseñado para facilitar el desarrollo y evaluación de agentes de IA descentralizados y estrategias de coordinación multi-agentes. Presenta una arquitectura modular que permite a los usuarios definir comportamientos de agentes personalizados, modelos de entornos dinámicos y protocolos de mensajería entre agentes. El marco soporta simulación basada en física, ejecución basada en eventos e integración de plugins para algoritmos de IA. Los usuarios pueden configurar escenarios mediante YAML o Python, visualizar interacciones de agentes y recopilar métricas de rendimiento a través de herramientas de análisis integradas. OpenMAS agiliza la creación de prototipos en áreas como inteligencia en enjambre, robótica cooperativa y toma de decisiones distribuidas.

CASA está diseñada como un marco de autonomía modular, plug-and-play, basado en el ecosistema Robot Operating System (ROS). Presenta una arquitectura descentralizada donde cada robot ejecuta planificadores locales y nodos de árboles de comportamiento, publicando en una pizarra compartida para actualizaciones del estado del mundo. La asignación de tareas se gestiona mediante algoritmos de subasta que asignan misiones en función de las capacidades y disponibilidad del robot. La capa de comunicación usa mensajes ROS estándar en redes multi-robot para sincronizar los agentes. Los desarrolladores pueden personalizar parámetros de misión, integrar controladores de sensores y ampliar las bibliotecas de comportamiento. CASA soporta simulación de escenarios, monitoreo en tiempo real y herramientas de registro. Su diseño extensible permite a los equipos de investigación experimentar con nuevos algoritmos de coordinación y desplegar sin problemas en diversas plataformas robóticas, desde vehículos terrestres no tripulados hasta drones aéreos.

El simulador de dos agentes F1Tenth es un marco de simulación especializado construido sobre ROS y Gazebo para emular dos vehículos autónomos a escala 1/10 compitiendo o cooperando en pistas personalizadas. Soporta física realista del modelado de neumáticos, emulación de sensores, detección de colisiones y registro de datos. Los usuarios pueden integrar sus propios algoritmos de planificación y control, ajustar parámetros de los agentes y ejecutar escenarios uno contra uno para evaluar el rendimiento, la seguridad y las estrategias de coordinación en condiciones controladas.

Flocking Multi-Agent proporciona una biblioteca modular para simular agentes autónomos que exhiben inteligencia de enjambre. Codifica comportamientos centrales de dirección: cohesión, separación y alineación, además de evitación de obstáculos y persecución de objetivos dinámicos. Utilizando Python y Pygame para visualización, permite ajustar parámetros como el radio del vecino, velocidad máxima y fuerza de giro. Soporta extensibilidad mediante funciones personalizadas de comportamiento y ganchos de integración para plataformas robóticas o motores de juego. Ideal para experimentación en IA, robótica, desarrollo de juegos e investigación académica, demostrando cómo reglas locales simples conducen a formaciones globales complejas.

El entorno de drones multiagente es un paquete de Python que ofrece una simulación multiagente configurable para enjambres de UAV, basado en OpenAI Gym y PyBullet. Los usuarios definen múltiples agentes drones con modelos cinemáticos y dinámicos para explorar tareas cooperativas como vuelo en formación, seguimiento de objetivos y evitación de obstáculos. El entorno soporta configuración modular de tareas, detección de colisiones realista y emulación de sensores, además de permitir funciones de recompensa y políticas descentralizadas personalizadas. Los desarrolladores pueden integrar sus propios algoritmos de aprendizaje por refuerzo, evaluar el rendimiento bajo diferentes escenarios y visualizar en tiempo real las trayectorias y métricas de los agentes. Su diseño de código abierto fomenta las contribuciones comunitarias, siendo ideal para investigación, enseñanza y prototipado avanzado de soluciones de control multiagente.

NavGround Learning proporciona una caja de herramientas completa para desarrollar y evaluar agentes de aprendizaje por refuerzo en tareas de navegación. Soporta simulaciones multi-agente, modelado de colisiones, y sensores y actuadores personalizables. Los usuarios pueden elegir entre plantillas de políticas predefinidas o implementar arquitecturas personalizadas, entrenar con algoritmos RL de última generación y visualizar métricas de rendimiento. Su integración con OpenAI Gym y Stable Baselines3 simplifica la gestión de experimentos, mientras que las herramientas de registro y visualización integradas permiten un análisis profundo del comportamiento del agente y la dinámica de entrenamiento.