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.

Pacman AI ofrece un entorno y un marco de agentes totalmente funcional en Python para el clásico juego de Pacman. El proyecto implementa algoritmos clave de aprendizaje por refuerzo—Q-learning e iteración de valores—para permitir que el agente aprenda políticas óptimas para la recolección de píldoras, navegación en laberintos y evasión de fantasmas. Los usuarios pueden definir funciones de recompensa personalizadas y ajustar hiperparámetros como la tasa de aprendizaje, factor de descuento y estrategia de exploración. El marco soporta registro de métricas, visualización del rendimiento y configuraciones reproducibles de experimentos. Está diseñado para facilitar su extensión, permitiendo a investigadores y estudiantes integrar nuevos algoritmos o enfoques de aprendizaje con redes neuronales y compararlos con métodos de cuadrícula tradicionales dentro del dominio de Pacman.

CityLearn proporciona una plataforma de simulación modular para la investigación en gestión energética usando aprendizaje por refuerzo. Los usuarios pueden definir agrupaciones de edificios multi-zona, configurar sistemas HVAC, unidades de almacenamiento y fuentes renovables, y luego entrenar agentes RL frente a eventos de respuesta a la demanda. El entorno expone observaciones de estado como temperaturas, perfiles de carga y precios de energía, mientras que las acciones controlan puntos de consigna y despachos de almacenamiento. Una API de recompensas flexible permite métricas personalizadas, como ahorros en costos o reducción de emisiones, y las utilidades de registro soportan análisis de rendimiento. CityLearn es ideal para benchmarking, aprendizaje por currículo y desarrollo de nuevas estrategias de control en un marco de investigación reproducible.

CryptoTrader Agents proporciona un conjunto completo de herramientas para diseñar, entrenar y desplegar estrategias de negociación con IA en mercados de criptomonedas. Incluye un entorno modular para ingestión de datos, ingeniería de características y funciones de recompensa personalizadas. Los usuarios pueden aprovechar algoritmos preconfigurados de aprendizaje por refuerzo o integrar sus propios modelos. La plataforma ofrece pruebas retrospectivas simuladas con datos históricos de precios, controles de gestión de riesgos y seguimiento de métricas detalladas. Cuando la estrategia esté lista, los agentes se pueden conectar a APIs de exchange en vivo para ejecución automática. Construido en Python, el marco es completamente extensible, permitiendo a los usuarios prototipar nuevas tácticas, ejecutar barridos de parámetros y monitorear el rendimiento en tiempo real.

Fast Reinforcement Learning es un marco Python especializado diseñado para acelerar el desarrollo y la ejecución de agentes de aprendizaje por refuerzo. Ofrece soporte listo para usar para algoritmos populares como PPO, A2C, DDPG y SAC, combinados con gestiones de entornos vectorizados de alto rendimiento. Los usuarios pueden configurar fácilmente redes de políticas, personalizar bucles de entrenamiento y aprovechar la aceleración GPU para experimentos a gran escala. El diseño modular de la biblioteca garantiza una integración fluida con entornos OpenAI Gym, permitiendo a investigadores y practicantes prototipar, hacer benchmarks y desplegar agentes en diversas tareas de control, juegos y simulación.

Multi-Agents System from Scratch proporciona un conjunto completo de módulos en Python para construir, personalizar y evaluar entornos multi-agentes desde cero. Los usuarios pueden definir modelos del mundo, crear clases de agentes con entradas sensoriales únicas y capacidades de acción, y establecer protocolos de comunicación flexibles para cooperación o competencia. El marco soporta asignación dinámica de tareas, módulos de planificación estratégica y seguimiento de rendimiento en tiempo real. Su arquitectura modular permite una fácil integración de algoritmos personalizados, funciones de recompensa y mecanismos de aprendizaje. Con herramientas de visualización integradas y utilidades de registro, los desarrolladores pueden monitorear interacciones de agentes y diagnosticar patrones de comportamiento. Diseñado para ser extenso y claro, el sistema está dirigido tanto a investigadores que exploran IA distribuida como a educadores que enseñan modelado basado en agentes.

OpenSpiel es un marco de investigación que proporciona una amplia gama de entornos (desde juegos simples de matriz hasta juegos de tablero complejos como Ajedrez, Go y Póker) e implementa varios algoritmos de aprendizaje por refuerzo y búsqueda (por ejemplo, iteración de valores, métodos de gradiente de política, MCTS). Su núcleo modular en C++ y enlaces en Python permiten a los usuarios integrar algoritmos personalizados, definir nuevos juegos y comparar el rendimiento en benchmarks estándar. Diseñado para extensibilidad, soporta configuraciones de un solo agente y multi-agente, permitiendo estudiar escenarios cooperativos y competitivos. Los investigadores utilizan OpenSpiel para prototipar rápidamente algoritmos, realizar experimentos a gran escala y compartir código reproducible.