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.

DelphiMistralAI es un conjunto de herramientas Python de código abierto que integra el potente modelo LLM Mistral-7B con el modelo de razonamiento moral Delphi. Ofrece una interfaz de línea de comandos y una API RESTful para proporcionar juicios éticos fundamentados sobre escenarios suministrados por el usuario. Los usuarios pueden desplegar el agente localmente, personalizar los criterios de juicio, e inspeccionar las justificaciones generadas para cada decisión moral. Esta herramienta busca acelerar la investigación en ética de IA, demostraciones educativas y sistemas de soporte de decisiones seguros y explicables.

AIpacman es un proyecto open-source en Python que simula el entorno del juego Pac-Man para experimentación con IA. Los usuarios pueden escoger entre agentes integrados o crear nuevos mediante algoritmos de búsqueda como DFS, BFS, A*, UCS; métodos adversarios como Minimax con poda Alpha-Beta y Expectimax; o técnicas de refuerzo como Q-Learning. El framework provee laberintos configurables, registros de rendimiento, visualización de decisiones de agentes y una interfaz de línea de comandos para ejecutar partidas y comparar puntuaciones. Está diseñado para clases, benchmarks de investigación y proyectos amateurs en IA y desarrollo de juegos.