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.

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.

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.

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.

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.

AgentSimulation es una biblioteca de Python de código abierto construida sobre Pygame para simular múltiples agentes autónomos en un entorno 2D. Permite a los usuarios configurar propiedades del agente, comportamientos de dirección (buscar, huir, deambular), detección de colisiones, búsqueda de rutas y reglas interactivas. Con renderizado en tiempo real y diseño modular, admite prototipado rápido, simulaciones educativas y pequeñas investigaciones en bioinspiración y comportamiento multiagente.

El Marco de Simulación de Agentes LLM permite diseñar, ejecutar y analizar entornos simulados donde agentes autónomos interactúan mediante grandes modelos de lenguaje. Los usuarios pueden registrar múltiples instancias de agentes, asignar instrucciones y roles personalizables, y especificar canales de comunicación como paso de mensajes o estado compartido. El marco coordina ciclos de simulación, recopila registros y calcula métricas como frecuencia de turnos, latencia de respuesta y tasas de éxito. Soporta integración sin problemas con OpenAI, Hugging Face y LLM locales. Los investigadores pueden crear escenarios complejos — negociaciones, asignación de recursos o resolución colaborativa de problemas — para observar comportamientos emergentes. La arquitectura de plugins extensible permite añadir nuevos comportamientos de agentes, restricciones del entorno o módulos de visualización, fomentando experimentos reproducibles.