Street Fighter II와 같은 격투 게임은 빠르고 실시간으로 진행되는 특성 때문에 강화학습 (RL) 에이전트에게 독특한 과제를 제시합니다. 대부분의 RL 프레임워크에서 에이전트는 일반적으로 매 프레임 또는 N 프레임마다 고정된 간격으로 결정을 내리도록 하드코딩되어 있습니다. 이러한 설계는 적시의 반응을 보장하지만, 에이전트가 반응 타이밍을 조절하는 능력을 제한합니다. 매 프레임마다 행동하는 것은 인간 플레이어와 비교했을 때 비현실적인 프레임 단위의 완벽한 반사 신경을 부여하는 반면, 더 긴 고정 간격은 계산 비용을 줄이지만 반응성을 저해합니다. 우리는 에이전트가 어떤 행동을 취할지뿐만 아니라 그 행동을 얼마나 오래 실행할지도 학습하는 대안적인 의사결정 프레임워크를 고려합니다. 행동과 지속 시간 (duration)을 함께 예측함으로써, 에이전트는 게임 내의 다양한 상황에 맞춰 반응성을 동적으로 조정할 수 있습니다. 우리는 오픈 소스 FightLadder 환경을 사용하여 이 방법을 구현하였으며, 스크립트 기반의 내장 봇을 상대로 에이전트를 학습시켰습니다. 또한 다양한 프레임 스킵 (frame skip) 설정을 체계적으로 테스트하여 성능, 반응성 및 학습된 행동에 미치는 영향을 분석했습니다. 실험 결과, 학습된 타이밍은 잘 선택된 고정 프레임 스킵의 성능과 일치할 수 있고 반복 가능한 행동 패턴을 장려하지만, 그 자체만으로 강건성 (robustness)을 보장하지는 않는다는 것을 보여줍니다. 대부분의 경우, 우리는 에이전트가 일관되게 높은 프레임 스킵 값(즉, 낮은 반응성)을 가질 때 가장 잘 수행하는 것을 확인했습니다. 이러한 전략은 동일한 행동을 계속해서 반복하는 착취적 전략 (exploitative strategies)을 학습하기 더 쉽게 만들며, 스크립트 기반 봇들은 이러한 전략에 취약한 것으로 보입니다.