초록 ▼

E-스포츠 교육을 위한 e스포츠 전략 최적화 방법에 관한 것으로, 전략 분석을 위한 강화학습 모델 및 그 모델의 경량화, 최적화 방법이 제공되며, 이때 실시간 게임분석을 위한 강화학습 모델 알고리즘이 제공된다. 강화학습 과정중 Observation과정에서는 e스포츠 경기에서 실시간 관측값 들을 획득하는 단계 , 획득된 관측값이 Deep RL Agent에서 처리되는 단계, Single Batch로 Deep Neural Network의 입력값이 생성되는 단계. 그리고 관측값으로부터 s(t) 상태값, 그리고 상태값 s(t)는 Infere

E-스포츠 교육을 위한 e스포츠 전략 최적화 방법에 관한 것으로, 전략 분석을 위한 강화학습 모델 및 그 모델의 경량화, 최적화 방법이 제공되며, 이때 실시간 게임분석을 위한 강화학습 모델 알고리즘이 제공된다. 강화학습 과정중 Observation과정에서는 e스포츠 경기에서 실시간 관측값 들을 획득하는 단계 , 획득된 관측값이 Deep RL Agent에서 처리되는 단계, Single Batch로 Deep Neural Network의 입력값이 생성되는 단계. 그리고 관측값으로부터 s(t) 상태값, 그리고 상태값 s(t)는 Inference 과정을 거쳐 a(t) 행동값으로 나오는 단계, 이때 상태값 s(t)가 Reward Optimizer 과정을 통해 리워드 r(t) 값을 생성하는 단계를 포함한다.생성된 상태값, 행동값, 리워드 값은 외부 메모리 접근을 최소화 하기위해 Experience Buffer에 최근 생성된 값들이 저장되며,Policy Network에서는 Deep Neural Network의 weight를 업데이트 하고, Multi Batch로 입력 값들을 받는다. 연산의 가속을 위해 모든 Environment는 Simulator에 병렬적으로 할당되어 계산되게 된다.

대표청구항

E스포츠 경기에서 분석데이터를 획득하고 최적 솔루션을 제공하는 Deep-RL Agent;상기 분석 기법은 Observation Space내에서 데이터를 획득하는 부분과, 관측값으로부터 Action Space중 최적의 행동값을 생성하는 Deep-RL Agent로 이루어 지며, 행동양식을 결정하는 Deep-RL Agent의 Policy Network는 심층신경망으로 이루어져 있다.상기 분석 모델은, Observation Space 및 Action Space의 수정을 통해 모든 E스포츠 경기에 대해 적용이 가능하다.

E스포츠 경기에서 분석데이터를 획득하고 최적 솔루션을 제공하는 Deep-RL Agent;상기 분석 기법은 Observation Space내에서 데이터를 획득하는 부분과, 관측값으로부터 Action Space중 최적의 행동값을 생성하는 Deep-RL Agent로 이루어 지며, 행동양식을 결정하는 Deep-RL Agent의 Policy Network는 심층신경망으로 이루어져 있다.상기 분석 모델은, Observation Space 및 Action Space의 수정을 통해 모든 E스포츠 경기에 대해 적용이 가능하다.