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.

La Simulación Multi Agente ofrece una API flexible para definir clases de Agentes con sensores, actuadores y lógica de decisión personalizables. Los usuarios configuran entornos con obstáculos, recursos y protocolos de comunicación, y luego ejecutan bucles de simulación basados en pasos o en tiempo real. La integración incorporada de registro, programación de eventos y Matplotlib ayuda a seguir los estados de los agentes y a visualizar los resultados. El diseño modular permite extender fácilmente con nuevos comportamientos, entornos y optimizaciones de rendimiento, haciéndola ideal para investigación académica, propósitos educativos y prototipado de escenarios multiagente.

Este marco de código abierto combina la biblioteca de modelado de agentes AgentSimJs con el motor gráfico 3D de Three.js para ofrecer simulaciones multi-agente interactivas basadas en navegador. Los usuarios pueden definir tipos de agentes, comportamientos y reglas ambientales, configurar detección de colisiones y manejo de eventos, y visualizar simulaciones en tiempo real con opciones de renderizado personalizables. La biblioteca soporta controles dinámicos, gestión de escenas y ajuste de rendimiento, haciéndola ideal para investigación, educación y prototipado de escenarios complejos basados en agentes.

NavGround Learning proporciona una caja de herramientas completa para desarrollar y evaluar agentes de aprendizaje por refuerzo en tareas de navegación. Soporta simulaciones multi-agente, modelado de colisiones, y sensores y actuadores personalizables. Los usuarios pueden elegir entre plantillas de políticas predefinidas o implementar arquitecturas personalizadas, entrenar con algoritmos RL de última generación y visualizar métricas de rendimiento. Su integración con OpenAI Gym y Stable Baselines3 simplifica la gestión de experimentos, mientras que las herramientas de registro y visualización integradas permiten un análisis profundo del comportamiento del agente y la dinámica de entrenamiento.

Pits and Orbs es un entorno de código abierto para aprendizaje por refuerzo, implementado en Python, que ofrece un mundo en una cuadrícula multi-agente por turnos donde los agentes persiguen objetivos y enfrentan peligros ambientales. Cada agente debe navegar en una cuadrícula ajustable, evitar trampas colocadas aleatoriamente que penalizan o terminan episodios, y recolectar orbes para recompensas positivas. El entorno soporta modos competitivos y cooperativos, permitiendo a investigadores explorar diversos escenarios de aprendizaje. Su API simple se integra perfectamente con bibliotecas RL populares como Stable Baselines o RLlib. Características principales incluyen dimensiones de cuadrícula ajustables, distribuciones dinámicas de trampas y orbes, estructuras de recompensa configurables y registro opcional para análisis del entrenamiento.