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.

RL Collision Avoidance proporciona una canalización completa para desarrollar, entrenar y desplegar políticas de evitación de colisiones multi-robot. Ofrece una serie de escenarios de simulación compatibles con Gym donde los agentes aprenden navegación sin colisiones mediante algoritmos de aprendizaje por refuerzo. Los usuarios pueden personalizar parámetros del entorno, aprovechar la aceleración por GPU para entrenamientos más rápidos y exportar políticas aprendidas. El marco también se integra con ROS para pruebas en el mundo real, soporta modelos preentrenados para evaluación inmediata y cuenta con herramientas para visualizar trayectorias de agentes y métricas de rendimiento.

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.

Duckietown combina hardware de bajo costo, software de código abierto y un ecosistema escalable para aprender IA y autonomía. Diseñado para fines educativos, proporciona todo, desde kits de aprendizaje individuales hasta paquetes integrales para el aula. Su producto principal, el Duckiebot, es un pequeño robot modular que interactúa dentro de un paisaje urbano en miniatura, reflejando escenarios del mundo real. Este enfoque práctico no solo hace que el aprendizaje de la robótica sea divertido, sino también profundamente revelador.

La Simulación de Inspección Multi-Agente proporciona un marco completo para simular y entrenar múltiples agentes autónomos para realizar tareas de inspección en cooperación dentro de entornos Unity 3D. Se integra con el conjunto de herramientas Unity ML-Agents, ofreciendo escenas configurables con objetivos de inspección, funciones de recompensa ajustables y parámetros de comportamiento de los agentes. Los investigadores pueden crear entornos personalizados, definir el número de agentes y establecer planes de entrenamiento mediante APIs en Python. El paquete soporta sesiones de entrenamiento en paralelo, registro en TensorBoard y observaciones personalizables, incluyendo raycasts, feeds de cámaras y datos de posición. Al ajustar hiperparámetros y la complejidad del entorno, los usuarios pueden realizar benchmarks de algoritmos de aprendizaje por refuerzo en métricas de cobertura, eficiencia y coordinación. La base de código de código abierto fomenta extensiones para prototipado de robótica, investigación en IA cooperativa y demostraciones educativas en sistemas multi-agente.

NavGround es un marco de navegación integral impulsado por IA que proporciona planificación de movimiento reactiva, evitación de obstáculos y generación de trayectorias para robots diferenciales y holonómicos en entornos 2D. Integra representaciones dinámicas de mapas y fusión de sensores para detectar obstáculos estáticos y en movimiento, aplicando métodos de obstáculos de velocidad para calcular velocidades libres de colisiones que respetan la cinemática y dinámica del robot. La biblioteca ligera en C++ ofrece una API modular con soporte para ROS, permitiendo una integración fluida con sistemas SLAM, planificadores de rutas y bucles de control. El rendimiento en tiempo real y la capacidad de adaptación permiten que NavGround sea adecuado para robots de servicio, vehículos autónomos y prototipos de investigación en escenarios concurridos o dinámicos. La arquitectura extensible y las funciones de coste personalizables facilitan experimentos rápidos y optimización del comportamiento de navegación.