La plataforma IntelligentMASPlatform se construye para acelerar el desarrollo y despliegue de sistemas multi-agente ofreciendo una arquitectura modular con capas distintas para agentes, entornos y servicios. Los agentes se comunican usando mensajería ACL compatible con FIPA, lo que permite negociaciones y coordinación dinámica. La plataforma incluye un simulador de entornos versátil que permite modelar escenarios complejos, programar tareas de agentes y visualizar interacciones en tiempo real a través de un tablero integrado. Para comportamientos avanzados, integra módulos de aprendizaje por refuerzo y soporta plugins de comportamiento personalizados. Las herramientas de despliegue permiten empaquetar agentes en aplicaciones independientes o redes distribuidas. Además, la API de la plataforma facilita la integración con bases de datos, dispositivos IoT o servicios de IA de terceros, haciéndola adecuada para investigación, automatización industrial y casos de uso en ciudades inteligentes.

Simple Playgrounds proporciona una plataforma modular para construir entornos interactivos en cuadrícula 2D donde los agentes pueden navegar laberintos, interactuar con objetos y completar tareas. Los usuarios definen la disposición del entorno, el comportamiento de los objetos y las funciones de recompensa mediante scripts YAML o Python sencillos. El renderizador integrado de Pygame ofrece visualización en tiempo real, mientras que una API basada en pasos garantiza una integración fluida con bibliotecas de aprendizaje por refuerzo como Stable Baselines3. Con soporte para configuraciones multiagente, detección de colisiones y parámetros físicos personalizables, Simple Playgrounds agiliza la creación de prototipos, benchmarking y demostraciones educativas de algoritmos de IA.

El simulador de dos agentes F1Tenth es un marco de simulación especializado construido sobre ROS y Gazebo para emular dos vehículos autónomos a escala 1/10 compitiendo o cooperando en pistas personalizadas. Soporta física realista del modelado de neumáticos, emulación de sensores, detección de colisiones y registro de datos. Los usuarios pueden integrar sus propios algoritmos de planificación y control, ajustar parámetros de los agentes y ejecutar escenarios uno contra uno para evaluar el rendimiento, la seguridad y las estrategias de coordinación en condiciones controladas.

El Modelo Depredador-Presa de Mesa es una implementación de código abierto en Python del sistema clásico Lotka-Volterra, construida sobre el framework de modelado por agentes Mesa. Simula agentes individuales de depredadores y presas que se mueven e interactúan en una cuadrícula donde las presas se reproducen y los depredadores buscan alimento para sobrevivir. Los usuarios pueden configurar las poblaciones iniciales, probabilidades de reproducción, consumo de energía y otros parámetros ambientales a través de una interfaz web. La simulación proporciona visualizaciones en tiempo real, incluyendo mapas de calor y curvas de población, y registros de datos para análisis posterior. Investigadores, educadores y estudiantes pueden extender el modelo personalizando los comportamientos de los agentes, añadiendo nuevas especies o integrando reglas ecológicas complejas. El proyecto está diseñado para facilidad de uso, prototipado rápido y demostraciones educativas de la dinámica ecológica emergente.

Multi-Agent Systems proporciona una caja de herramientas completa para crear, controlar y observar las interacciones entre agentes autónomos. Los desarrolladores pueden definir clases de agentes con lógica de decisión personalizada, configurar entornos complejos con recursos y reglas configurables, e implementar canales de comunicación para el intercambio de información. El marco soporta planificación sincrónica y asincrónica, comportamientos impulsados por eventos, e integra registros para métricas de rendimiento. Los usuarios pueden extender módulos principales o integrar modelos de IA externos para mejorar la inteligencia de los agentes. Las herramientas de visualización representan simulaciones en tiempo real o en post-proceso, ayudando a analizar comportamientos emergentes y optimizar parámetros del sistema. Desde investigación académica hasta prototipos de aplicaciones distribuidas, Multi-Agent Systems simplifica las simulaciones end-to-end de multiagentes.

El entorno de drones multiagente es un paquete de Python que ofrece una simulación multiagente configurable para enjambres de UAV, basado en OpenAI Gym y PyBullet. Los usuarios definen múltiples agentes drones con modelos cinemáticos y dinámicos para explorar tareas cooperativas como vuelo en formación, seguimiento de objetivos y evitación de obstáculos. El entorno soporta configuración modular de tareas, detección de colisiones realista y emulación de sensores, además de permitir funciones de recompensa y políticas descentralizadas personalizadas. Los desarrolladores pueden integrar sus propios algoritmos de aprendizaje por refuerzo, evaluar el rendimiento bajo diferentes escenarios y visualizar en tiempo real las trayectorias y métricas de los agentes. Su diseño de código abierto fomenta las contribuciones comunitarias, siendo ideal para investigación, enseñanza y prototipado avanzado de soluciones de control multiagente.

RinSim proporciona un entorno de simulación modular enfocado en modelar escenarios logísticos dinámicos con múltiples agentes autónomos. Los usuarios pueden definir redes viales mediante estructuras de grafo, configurar flotas de vehículos incluyendo modelos eléctricos con restricciones de batería, y simular solicitudes estocásticas de recogida y entrega. La arquitectura de eventos discretos garantiza una temporización precisa y gestión de eventos, mientras que algoritmos de enrutamiento integrados y comportamientos de agentes personalizables permiten experimentos exhaustivos. RinSim soporta métricas de salida como tiempo de viaje, consumo energético y nivel de servicio, además de módulos de visualización para análisis en tiempo real y post-simulación. Su diseño extensible permite la integración de algoritmos personalizados, escalar a flotas grandes y reproducir flujos de trabajo de investigación, siendo esencial para la optimización de estrategias de movilidad en ámbitos académicos e industriales.

El Swarm Simulator ofrece un entorno personalizable para experimentos multi-agentes en tiempo real. Los usuarios pueden ajustar parámetros clave — alineación, cohesión, separación — y observar la dinámica emergente en un lienzo visual. Cuenta con deslizadores de interfaz interactivos, ajuste dinámico del número de agentes y exportación de datos para análisis. Ideal para demostraciones educativas, prototipado de investigación o exploración aficionada de principios de inteligencia de enjambre.