Для предсказания состояния полета бумажного самолетика, можно воспользоваться методами машинного обучения. Вам необходимо сначала собрать данные состояния полета (например, с помощью датчиков), а затем обучить модель на этих данных.

Прежде всего, определите, какие параметры вы будете использовать в качестве признаков (например, скорость, курс, высота, вертикальная скорость, параметры внешней среды и т. д.). Далее, соберите данные, которые будут содержать эти параметры вместе со значениями, которые вы хотите предсказать (например, параметры полета на 3 секунды и 30 секунд вперед, время касания земли).

Затем, используйте библиотеку scikit-learn для обучения модели. Вы можете попробовать различные алгоритмы, такие как линейная регрессия, случайный лес или градиентный бустинг. После обучения модели, вы сможете предсказывать параметры полета на 3 секунды и 30 секунд вперед, а также время касания земли.

Вот пример кода на Python с использованием библиотеки scikit-learn для обучения модели линейной регрессии:

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import pandas as pd
# соберем данные
data = pd.read_csv('путь_к_вашим_данным.csv')
X = data[['параметры_полета', 'параметры_внешней_среды']]
y = data[['параметры_полета_на_3_секунды_и_30_секунд', 'время_касания_земли']]
# разделим на обучающую и тестовую выборку
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# обучим модель
model = LinearRegression()
model.fit(X_train, y_train)
# предскажем параметры на 3 секунды и 30 секунд вперед
predictions = model.predict(X_test)
# выведем предсказания
print(predictions)

Не забудьте заменить 'путь_к_вашим_данным.csv' на путь к вашему файлу с данными. В этом примере используется модель линейной регрессии, но вы можете попробовать другие алгоритмы и настроить их параметры для достижения лучших результатов. Надеюсь, это поможет вам решить вашу задачу. Если у вас возникнут дополнительные вопросы, не стесняйтесь задавать.