Los avances recientes en robótica cuadrúpedes han explorado el potencial motor de estas máquinas más allá de la simple caminata, permitiendo habilidades altamente dinámicas como saltos, volteretas y incluso locomoción bípeda. Si bien el aprendizaje por refuerzo ha demostrado un excelente rendimiento en este ámbito, a menudo depende de la sintonización compleja de funciones de recompensa y de tiempos de entrenamiento prolongados, y la interpretabilidad no es satisfactoria. Las políticas de movimiento riemanniano, un método de control reactivo, sobresalen en el manejo de sistemas altamente dinámicos, pero generalmente están limitadas a sistemas completamente actuados, lo que hace que su aplicación a robots cuadrúpedes subactuados sea un desafío. Para abordar estas limitaciones, proponemos un nuevo marco que trata cada pierna de un robot cuadrúpedo como un agente inteligente y emplea el aprendizaje por refuerzo multiagente para coordinar el movimiento de las cuatro patas. Esta descomposición satisface las condiciones para utilizar políticas de movimiento riemanniano y elimina la necesidad de funciones de recompensa complejas, simplificando el proceso de aprendizaje para modalidades de movimiento de alto nivel. Nuestros experimentos de simulación demuestran que el método propuesto permite a los robots cuadrúpedes aprender locomoción estable utilizando tres, dos o incluso una sola pierna, ofreciendo ventajas en velocidad de entrenamiento, tasa de éxito y estabilidad en comparación con enfoques tradicionales, y mejor interpretabilidad. Esta investigación explora la posibilidad de desarrollar políticas de control más eficientes y adaptables para robots cuadrúpedes.