El entorno de búsqueda cooperativa proporciona un entorno de aprendizaje por refuerzo multiagente flexible y compatible con gym, diseñado para tareas de búsqueda cooperativa en espacios en cuadrícula discretos y continuos. Los agentes operan bajo observabilidad parcial y pueden compartir información basándose en topologías de comunicación personalizables. El marco soporta escenarios predefinidos como búsqueda y rescate, seguimiento de objetivos dinámicos y mapeo colaborativo, con API para definir entornos personalizados y estructuras de recompensa. Se integra a la perfección con bibliotecas RL populares como Stable Baselines3 y Ray RLlib, incluye utilidades de registro para análisis de rendimiento y herramientas de visualización integradas para monitoreo en tiempo real. Los investigadores pueden ajustar tamaños de cuadrículas, conteo de agentes, rangos de sensores y mecanismos de compartición de recompensas para evaluar estrategias de coordinación y probar nuevos algoritmos de manera efectiva.

La Comunicación Emergente en Agentes es un marco de trabajo de código abierto en PyTorch diseñado para investigadores que exploran cómo los sistemas multiagente desarrollan sus propios protocolos de comunicación. La biblioteca ofrece implementaciones flexibles de tareas cooperativas de aprendizaje por refuerzo, incluyendo juegos referenciales, juegos combinatorios y desafíos de identificación de objetos. Los usuarios definen arquitecturas de agentes emisores y receptores, especifican propiedades de los canales de mensajes como tamaño de vocabulario y longitud de secuencia, y seleccionan estrategias de entrenamiento como gradientes de política o aprendizaje supervisado. El framework incluye scripts end-to-end para ejecutar experimentos, analizar la eficiencia de la comunicación y visualizar lenguas emergentes. Su diseño modular permite una extensión fácil con nuevos entornos de juego o funciones de pérdida personalizadas. Los investigadores pueden reproducir estudios publicados, evaluar nuevos algoritmos y analizar la composicionalidad y semántica de los lenguajes de los agentes emergentes.

Multi-Agent Miners ofrece un entorno de mundo en cuadrícula donde varios agentes mineros autónomos navegan, excavan y recogen recursos interactuando entre sí. Soporta tamaños de mapa configurables, número de agentes y estructuras de recompensa, permitiendo crear escenarios competitivos o cooperativos. El marco se integra con bibliotecas RL populares mediante PettingZoo, proporcionando APIs estandarizadas para funciones de reinicio, paso y renderizado. Los modos de visualización y soporte de registro ayudan a analizar comportamientos y resultados, siendo ideal para investigación, educación y benchmarking de algoritmos en aprendizaje por refuerzo multiagente.

multiagent-env es una biblioteca de Python de código abierto diseñada para simplificar la creación y evaluación de entornos de aprendizaje por refuerzo multiagente. Los usuarios pueden definir escenarios tanto cooperativos como adversariales especificando la cantidad de agentes, espacios de acción y observación, funciones de recompensa y la dinámica del entorno. Soporta visualización en tiempo real, renderizado configurable y fácil integración con marcos RL basados en Python como Stable Baselines y RLlib. El diseño modular permite prototipar rápidamente nuevos escenarios y comparar de manera sencilla algoritmos multiagente.

RL Shooter es un marco basado en Python que integra ViZDoom con las API de OpenAI Gym para crear un entorno flexible de aprendizaje por refuerzo para juegos FPS. Los usuarios pueden definir escenarios, mapas y estructuras de recompensa personalizadas para entrenar agentes en tareas de navegación, detección de objetivos y disparo. Con marcos de observación, espacios de acción y facilidades de registro configurables, soporta bibliotecas populares de RL profundo como Stable Baselines y RLlib, permitiendo un seguimiento claro del rendimiento y la reproducibilidad de los experimentos.

AutoDRIVE Cooperative MARL es un marco de código abierto diseñado para entrenar y desplegar políticas de aprendizaje por refuerzo multiactores cooperativos para tareas de conducción autónoma. Se integra con simuladores realistas para modelar escenarios de tráfico como intersecciones, formación de convoy en autopistas y escenarios de fusión. El marco implementa entrenamiento centralizado con ejecución descentralizada, permitiendo que los vehículos aprendan políticas compartidas que maximicen la eficiencia y seguridad del tráfico global. Los usuarios pueden configurar parámetros del entorno, escoger algoritmos MARL de referencia, visualizar el progreso del entrenamiento y evaluar la coordinación de los agentes.