본 논문은 강화 학습(RL) 분야에서 자기 지도 학습(Self-Supervised Learning)의 잠재력을 탐구하며, 특히 목표 기반 강화 학습(GCRL)에 초점을 맞춥니다. 환경과의 비구조적 상호 작용을 통해 새로운 행동을 학습하는 GCRL 에이전트를 연구하며, 느린 환경 시뮬레이션으로 인한 데이터 부족과 불안정한 알고리즘 문제를 해결하고자 합니다. 이를 위해 고성능 코드베이스 및 벤치마크 (JaxGCRL)를 공개하여 연구자들이 단일 GPU에서 수백만 단계의 환경 시뮬레이션을 몇 분 안에 수행할 수 있도록 지원합니다. GPU 가속 재생 버퍼, 환경, 안정적인 대비 RL 알고리즘을 활용하여 훈련 시간을 최대 22배 단축시켰습니다. 또한, 대비 RL의 주요 설계 선택 사항을 평가하여 훈련 성능을 안정화하고 향상시키는 데 가장 효과적인 요소를 파악했습니다.
