El proyecto utiliza el framework JADE (Java Agent DEvelopment) para construir un entorno multi-agente. Define agentes que se registran en AMS y DF de la plataforma, intercambian mensajes ACL y ejecutan comportamientos como cíclicos, de una sola vez y FSM. Los escenarios ejemplo incluyen negociaciones comprador-vendedor, protocolos de contrato en red y asignación de tareas. Un contenedor GUI de agentes ayuda a monitorear los estados de los agentes en tiempo de ejecución y los flujos de mensajes.

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.

Multi-Agent-AI-Models-and-Path-Planning proporciona un conjunto completo de herramientas para desarrollar y probar sistemas multi-agente combinados con métodos clásicos y modernos de planificación de rutas. Incluye implementaciones de algoritmos como A*, Dijkstra, RRT y campos potenciales, junto con modelos de comportamiento de agentes personalizables. El marco cuenta con módulos de simulación y visualización, permitiendo crear escenarios de manera sencilla, monitoreo en tiempo real y análisis de rendimiento. Diseñado para la extensibilidad, los usuarios pueden agregar nuevos algoritmos de planificación o modelos de decisión de agentes para evaluar la navegación cooperativa y la asignación de tareas en entornos complejos.

Este repositorio agrupa una colección completa de componentes de sistemas multiagente y técnicas de coordinación AI distribuida. Proporciona implementaciones de algoritmos de consenso, protocolos de negociación Contract-Net, asignación de tareas basada en subastas, estrategias de formación de coaliciones y marcos de comunicación entre agentes. Los usuarios pueden aprovechar entornos de simulación integrados para modelar y probar comportamientos de agentes bajo diferentes topologías de red, escenarios de latencia y modos de falla. El diseño modular permite a desarrolladores e investigadores integrar, ampliar o personalizar módulos de coordinación para aplicaciones en enjambres de robots, colaboración entre dispositivos IoT, redes eléctricas inteligentes y sistemas de toma de decisiones distribuidos.

Lindo.ai transforma la forma en que los equipos gestionan proyectos al proporcionar una plataforma inteligente que ayuda con la gestión de tareas, recordatorios de plazos, seguimiento de progreso y una comunicación mejorada entre los miembros del equipo. Sus capacidades de IA analizan el estado de los proyectos y sugieren mejoras, facilitando que los usuarios colaboren de manera eficiente y cumplan sus objetivos. Lindo.ai está diseñado para integrarse con herramientas populares de gestión de proyectos y ofrecer informes que impulsan la productividad.

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.

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.