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.

SoccerAgent es un marco de IA especializado diseñado para desarrollar y entrenar agentes de fútbol autónomos usando técnicas avanzadas de aprendizaje por refuerzo multiagente (MARL). Simula partidos de fútbol realistas en entornos 2D o 3D, ofreciendo herramientas para definir funciones de recompensa, personalizar atributos de jugadores e implementar estrategias tácticas. Los usuarios pueden integrar algoritmos populares de RL (como PPO, DDPG y MADDPG) mediante módulos integrados, monitorear el progreso del entrenamiento a través de paneles de control y visualizar comportamientos de los agentes en tiempo real. El marco soporta entrenamiento basado en escenarios para ofensiva, defensa y protocolos de coordinación. Con una base de código extensible y documentación detallada, SoccerAgent capacita a investigadores y desarrolladores a analizar dinámicas de equipos y perfeccionar estrategias de juego basadas en IA para proyectos académicos y comerciales.

CybMASDE permite a investigadores y desarrolladores construir, configurar y ejecutar simulaciones multiagente con aprendizaje por refuerzo profundo. Los usuarios pueden crear escenarios personalizados, definir roles de agentes y funciones de recompensa, y conectar algoritmos RL estándar o personalizados. El marco incluye servidores de entorno, interfaces de agentes en red, recolectores de datos y utilidades de renderizado. Soporta entrenamiento paralelo, monitoreo en tiempo real y guardado de modelos. La arquitectura modular de CybMASDE facilita la integración sin problemas de nuevos agentes, espacios de observación y estrategias de entrenamiento, acelerando experimentos en control cooperativo, comportamiento de enjambre, asignación de recursos y otros casos de uso multiagente.

Jason-RL añade una capa de aprendizaje por refuerzo al marco multiagente de Jason, permitiendo que los agentes AgentSpeak BDI aprendan políticas de selección de acciones mediante retroalimentación de recompensas. Implementa algoritmos Q-learning y SARSA, soporta la configuración de parámetros de aprendizaje (tasa de aprendizaje, factor de descuento, estrategia de exploración) y registra métricas de entrenamiento. Al definir funciones de recompensa en los planes de agentes y ejecutar simulaciones, los desarrolladores pueden observar cómo los agentes mejoran su toma de decisiones con el tiempo y se adaptan a entornos cambiantes sin codificación manual de políticas.

El marco LLM Maze Agent proporciona un entorno basado en Python para construir agentes inteligentes capaces de navegar laberintos de cuadrícula utilizando grandes modelos de lenguaje. Al combinar interfaces modulares de entorno con plantillas de prompting en cadena de pensamiento y planificación heurística, el agente consulta iterativamente a un LLM para decidir las direcciones de movimiento, adaptarse a obstáculos y actualizar su representación del estado interno. La compatibilidad lista para usar con modelos de OpenAI y Hugging Face permite una integración sin problemas, mientras que la generación de laberintos configurable y la depuración paso a paso facilitan la experimentación con diferentes estrategias. Los investigadores pueden ajustar funciones de recompensa, definir espacios de observación personalizados y visualizar rutas del agente para analizar procesos de razonamiento. Este diseño hace que LLM Maze Agent sea una herramienta versátil para evaluar la planificación basada en LLM, enseñar conceptos de IA y comparar el rendimiento de los modelos en tareas de razonamiento espacial.

MineLand proporciona un entorno sandbox 3D flexible inspirado en Minecraft para entrenar agentes de aprendizaje por refuerzo. Cuenta con APIs compatibles con Gym para una integración fluida con bibliotecas RL existentes como Stable Baselines, RLlib, y implementaciones personalizadas. Los usuarios tienen acceso a una biblioteca de tareas, incluyendo recolección de recursos, navegación y desafíos de construcción, cada una con dificultades y estructuras de recompensa configurables. Renderizado en tiempo real, escenarios multi-agente y modos sin interfaz permiten entrenamiento escalable y benchmarking. Los desarrolladores pueden diseñar nuevos mapas, definir funciones de recompensa personalizadas y agregar sensores o controles adicionales. La base de código open-source de MineLand fomenta la investigación reproducible, el desarrollo colaborativo y la creación rápida de prototipos de agentes IA en mundos virtuales complejos.

multiagent-env es una biblioteca de Python de código abierto diseñada para simplificar la creación y evaluación de entornos de aprendizaje por refuerzo multiagente. Los usuarios pueden definir escenarios tanto cooperativos como adversariales especificando la cantidad de agentes, espacios de acción y observación, funciones de recompensa y la dinámica del entorno. Soporta visualización en tiempo real, renderizado configurable y fácil integración con marcos RL basados en Python como Stable Baselines y RLlib. El diseño modular permite prototipar rápidamente nuevos escenarios y comparar de manera sencilla algoritmos multiagente.

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.