资源有限的 AUV 动力学建模：基于不确定性的高效在线学习

机器学习在从数据中构建下水车辆动力学模型方面效果良好，但持续使用数据流对这些模型进行细化往往需要存储大量冗余数据。本文探讨在存储容量受限时，利用不确定性选择数据点进行在线学习的策略。该方法使用多层感知器集成学习，因为它们在预测表观不确定性方面表现良好。我们提出了三种新方法：阈值法排除不确定性低于指定阈值的样本，贪心法旨在最大化存储点组中的不确定性，阈值-贪心法结合了前两种方法。实验在下水车辆 Dagon 收集的数据上进行评估。与基线方法比较显示，阈值法在整个学习过程中表现出增强稳定性，同时生成的模型也具有最低的累积测试损失。我们还对模型参数和存储规模对模型性能的影响进行了详细分析，并比较了三种不同的不确定性估计方法。