BomberManAI es un agente de IA diseñado para jugar de manera autónoma el clásico juego Bomberman. Desarrollado en Python, interactúa con un entorno de juego para percibir en tiempo real el estado del mapa, movimientos disponibles y posiciones de los oponentes. El algoritmo principal combina búsqueda A*, búsqueda en amplitud para análisis de alcanzabilidad y una función heurística de evaluación para determinar la mejor ubicación para colocar bombas y estrategias de evasión. El agente maneja obstáculos dinámicos, potenciadores y múltiples oponentes en diferentes disposiciones del mapa. Su arquitectura modular permite a los desarrolladores experimentar con heurísticas personalizadas, módulos de aprendizaje por refuerzo o estrategias de decisión alternativas. Ideal para investigadores en IA de juegos, estudiantes o desarrolladores de bots competitivos, BomberManAI proporciona un marco flexible para probar y mejorar agentes autónomos en juegos.

PommerLearn permite a investigadores y desarrolladores entrenar bots RL multi-agente en el entorno de juego Pommerman. Incluye implementaciones listas para usar de algoritmos populares (PPO, DQN), archivos de configuración flexibles para hiperparámetros, registro automático y visualización de métricas de entrenamiento, guardado de modelos y scripts de evaluación. Su arquitectura modular facilita la extensión con nuevos algoritmos, la personalización de entornos y la integración con bibliotecas ML estándar como PyTorch.

VMAS es un paquete de herramientas completo para construir y entrenar sistemas multi-agentes utilizando aprendizaje profundo por refuerzo. Soporta simulaciones paralelas en GPU de cientos de instancias de entornos, permitiendo recopilación de datos de alto rendimiento y entrenamiento escalable. VMAS incluye implementaciones de algoritmos MARL populares como PPO, MADDPG, QMIX y COMA, junto con interfaces modulares para políticas y entornos para prototipado rápido. El marco facilita entrenamiento centralizado con ejecución descentralizada (CTDE), ofrece personalización del modelado de recompensas, espacios de observación y hooks de devolución de llamada para registro y visualización. Con su diseño modular, VMAS se integra perfectamente con modelos PyTorch y entornos externos, siendo ideal para investigación en tareas cooperativas, competitivas y de motivos mixtos en robótica, control de tráfico, asignación de recursos y escenarios de IA en juegos.

DQN-Deep-Q-Network-Atari-Breakout-TensorFlow proporciona una implementación completa del algoritmo DQN adaptada para el entorno Atari Breakout. Utiliza una red neuronal convolucional para aproximar valores Q, aplica repetición de experiencias para romper correlaciones entre observaciones secuenciales y emplea una red objetivo actualizada periódicamente para estabilizar el entrenamiento. El agente sigue una política epsilon-greedy para la exploración y puede entrenarse desde cero con entrada de píxeles en bruto. El repositorio incluye archivos de configuración, scripts de entrenamiento para monitorear el crecimiento de recompensas, scripts de evaluación para probar modelos entrenados y utilidades TensorBoard para visualizar métricas de entrenamiento. Los usuarios pueden ajustar hiperparámetros como tasa de aprendizaje, tamaño del buffer de repetición y tamaño de lotes para experimentar con diferentes configuraciones.