BotPlayers es un marco versátil de código abierto que simplifica el desarrollo y despliegue de agentes de juego impulsados por IA. Destaca por su capa de abstracción de entorno flexible que soporta captura de pantalla, APIs web o interfaces de simulación personalizadas, permitiendo a los bots interactuar con diversos juegos. Incluye algoritmos de aprendizaje por refuerzo incorporados, algoritmos genéticos y heurísticas basadas en reglas, además de herramientas para registro de datos, puntos de control de modelos y visualización del rendimiento. Su sistema de plugins modular permite a los desarrolladores personalizar sensores, acciones y políticas de IA en Python o Java. BotPlayers también ofrece configuración basada en YAML para prototipado rápido y pipelines automáticos para entrenamiento y evaluación. Compatible con Windows, Linux y macOS, este marco acelera la experimentación y producción de agentes de juego inteligentes.

MARO (Multi-Agent Resource Optimization) es un marco basado en Python diseñado para apoyar el desarrollo y evaluación de agentes de aprendizaje por refuerzo multi-agente en escenarios de cadena de suministro, logística y gestión de recursos. Incluye plantillas para gestión de inventarios, planificación de camiones, cross-docking, alquiler de contenedores y más. MARO ofrece una API unificada de agentes, rastreadores integrados para registro de experimentos, capacidades de simulación paralela para entrenamiento a gran escala y herramientas de visualización para análisis de rendimiento. La plataforma es modular, extensible e integra bibliotecas RL populares, facilitando investigaciones reproducibles y creación rápida de prototipos de soluciones de optimización basadas en IA.

El Sistema de Búsqueda y Rescate basado en múltiples agentes en ROS es un marco robótico que aprovecha ROS para desplegar múltiples agentes autónomos para realizar operaciones coordinadas de búsqueda y rescate. Cada agente utiliza sensores a bordo y tópicos ROS para cartografía en tiempo real, evitación de obstáculos y detección de objetivos. Un coordinador central asigna tareas de manera dinámica según el estado del agente y los retroalimentaciones del entorno. El sistema puede ejecutarse en Gazebo o en robots reales, permitiendo a investigadores y desarrolladores probar y mejorar la cooperación entre robots, los protocolos de comunicación y la planificación adaptativa de misiones en condiciones realistas.

Este proyecto de código abierto brinda un marco completo de aprendizaje por refuerzo multi-agente construido sobre PyTorch y Unity ML-Agents. Incluye algoritmos DDPG descentralizados, envoltorios de entornos y scripts de entrenamiento. Los usuarios pueden configurar políticas de agentes, redes críticas, buffers de reproducción y trabajadores de entrenamiento en paralelo. Los hooks de registro permiten monitoreo con TensorBoard, mientras que una estructura modular soporta funciones de recompensa y parámetros de entorno personalizables. El repositorio incluye escenas de ejemplo en Unity demostrando tareas de navegación colaborativa, ideal para ampliar y evaluar escenarios multi-agente en simulaciones.

multiagent_envs ofrece un conjunto modular de entornos en Python diseñados para la investigación y desarrollo en aprendizaje por refuerzo multi-agente. Incluye escenarios como navegación cooperativa, depredador-presa, dilemas sociales y arenas competitivas. Cada entorno permite definir el número de agentes, características de observación, funciones de recompensa y dinámica de colisión. El framework se integra perfectamente con bibliotecas RL populares como Stable Baselines y RLlib, permitiendo bucles de entrenamiento vectorizados, ejecución paralela y registro sencillo. Los usuarios pueden extender escenarios existentes o crear otros nuevos mediante una API sencilla, acelerando la experimentación con algoritmos como MADDPG, QMIX y PPO en un entorno reproducible y consistente.

Multiagent_system ofrece un kit completo para la construcción y gestión de entornos multiagente. Los usuarios pueden definir escenarios de simulación personalizados, especificar comportamientos de agentes y aprovechar algoritmos pre-implementados como DQN, PPO y MADDPG. El marco soporta entrenamientos sincrónicos y asincrónicos, permitiendo que los agentes interactúen en paralelo o en configuraciones por turnos. Los módulos de comunicación integrados facilitan el paso de mensajes entre agentes para estrategias cooperativas. La configuración de experimentos se agiliza mediante archivos YAML y los resultados se registran automáticamente en CSV o TensorBoard. Los scripts de visualización ayudan a interpretar trayectorias de agentes, evolución de recompensas y patrones de comunicación. Diseñado para flujos de trabajo de investigación y producción, Multiagent_system escala de manera transparente desde prototipos en una sola máquina hasta entrenamiento distribuido en clústeres GPU.

SeeAct está diseñado para capacitar a agentes visión-lenguaje con una pipeline de dos etapas: un módulo de planificación impulsado por grandes modelos de lenguaje genera subobjetivos basados en escenas observadas, y un módulo de ejecución traduce estos subobjetivos en acciones específicas del entorno. Una columna vertebral de percepción extrae características de objetos y escenas de imágenes o simulaciones. La arquitectura modular permite reemplazar fácilmente planificadores o redes de percepción y soporta evaluación en AI2-THOR, Habitat y entornos personalizados. SeeAct acelera la investigación en IA embebida interactiva ofreciendo descomposición de tareas de extremo a extremo, acoplamiento y ejecución.

Este repositorio agrupa una colección completa de componentes de sistemas multiagente y técnicas de coordinación AI distribuida. Proporciona implementaciones de algoritmos de consenso, protocolos de negociación Contract-Net, asignación de tareas basada en subastas, estrategias de formación de coaliciones y marcos de comunicación entre agentes. Los usuarios pueden aprovechar entornos de simulación integrados para modelar y probar comportamientos de agentes bajo diferentes topologías de red, escenarios de latencia y modos de falla. El diseño modular permite a desarrolladores e investigadores integrar, ampliar o personalizar módulos de coordinación para aplicaciones en enjambres de robots, colaboración entre dispositivos IoT, redes eléctricas inteligentes y sistemas de toma de decisiones distribuidos.

Applied Intuition se especializa en proporcionar soluciones de software adaptadas para la industria de vehículos autónomos. Su plataforma permite a los desarrolladores crear simulaciones realistas, habilitando pruebas extensas y validación de sistemas de conducción de IA en una variedad de entornos virtuales. Esto asegura seguridad y eficiencia en aplicaciones del mundo real. Las herramientas también se integran sin problemas con flujos de trabajo existentes, facilitando a los equipos la transición del desarrollo al despliegue.

Immersim AI es una plataforma de juego de rol de vanguardia diseñada para liberar la creatividad en la narración. Los usuarios pueden crear y explorar universos y escenarios infinitos, interactuando con personajes en narrativas dinámicas. Ya seas un narrador, un jugador, o simplemente alguien a quien le encantan las experiencias inmersivas, Immersim AI te permite dar forma a la narrativa mientras participas en un mundo interactivo que evoluciona con la entrada del usuario, enriqueciendo así la experiencia.

multi_agent_celar está diseñado como una plataforma de IA modular que permite la comunicación mediante lenguaje emergente entre múltiples agentes inteligentes en entornos simulados. Los usuarios pueden definir comportamientos de agentes a través de archivos de política, configurar parámetros del entorno, y lanzar sesiones de entrenamiento coordinadas donde los agentes evolucionan sus propios protocolos de comunicación para resolver tareas cooperativas. El marco incluye scripts de evaluación, herramientas de visualización y soporte para experimentos escalables, siendo ideal para investigación en colaboración multi-agente, lenguaje emergente y procesos de toma de decisiones.

Open ACN es una solución robusta de plataformas y frameworks de IA diseñada para construir sistemas multi-agente descentralizados. Ofrece un conjunto de protocolos de consenso diseñados para la cooperación entre agentes, asegurando decisiones confiables en nodos geodistribuidos. El framework incluye capas de comunicación modulares, plugins de estrategia personalizables y un entorno de simulación integrado para pruebas de extremo a extremo. Los desarrolladores pueden definir comportamientos de agentes, desplegar en Linux, macOS, Windows o Docker, y aprovechar herramientas de registro y monitoreo en tiempo real. Al ofrecer APIs extensibles y una integración sin fisuras con modelos de aprendizaje automático existentes, Open ACN simplifica tareas complejas de orquestación, fomentando redes autónomas interoperables y resistentes, aptas para aplicaciones en robótica, automatización de cadenas de suministro, finanzas descentralizadas y IoT.