MAPF_G2RL es un marco de investigación de código abierto que conecta la teoría de grafos y el aprendizaje por refuerzo profundo para abordar el problema de búsqueda de caminos multi-agente (MAPF). Codifica nodos y aristas en representaciones vectoriales, define funciones de recompensa espacial y sensibles a colisiones, y soporta diversos algoritmos RL como DQN, PPO y A2C. El marco automatiza la creación de escenarios generando grafos aleatorios o importando mapas del mundo real, y organiza ciclos de entrenamiento que optimizan políticas para múltiples agentes simultáneamente. Tras el aprendizaje, los agentes son evaluados en entornos simulados para medir la optimalidad de caminos, el tiempo de Makespan y tasas de éxito. Su diseño modular permite a investigadores extender componentes básicos, integrar nuevas técnicas MARL y hacer benchmarking contra solucionadores clásicos.

EthicalEvalMAS proporciona un entorno modular para evaluar sistemas multiagente en dimensiones éticas clave como justicia, autonomía, privacidad, transparencia y beneficencia. Los usuarios pueden generar escenarios personalizados o utilizar plantillas integradas, definir métricas a medida, ejecutar scripts de evaluación automatizados y visualizar resultados a través de herramientas de informes integradas. Su arquitectura extensible soporta la integración con plataformas MAS existentes y facilita la comparación ética reproducible para diferentes comportamientos de agentes.