Adaptive Incremental Dynamic Inversion (AIDI)¶

AIDI — отказоустойчивый контроллер полёта, построенный на основе инкрементальной нелинейной динамической инверсии (Incremental Nonlinear Dynamic Inversion, INDI). Алгоритм адаптирует матрицу эффективности управления (control-effectiveness) в режиме онлайн с помощью построчного VFF-RLS, который оценивает мультипликативный масштабирующий множитель \(\Theta\) над известной бортовой моделью \(G_{\text{nominal}}\). Подход не зависит от конкретной модели объекта управления и быстро восстанавливает слежение при потере эффективности руля. См. также нелинейную угловую модель F-16: Нелинейная угловая модель F-16.

Источник: Ul Haq, Atmaca & van Kampen, "Adaptive Incremental Dynamic Inversion for Fault-tolerant Flight Control of a Flying Wing", AIAA SciTech 2026, 10.2514/6.2026-1744.

Ключевые идеи¶

Внутренний закон INDI: \(\Delta u = \tilde{G}^{+} \cdot (\nu_{\text{des}} - \dot{\omega}_{\text{meas}})\), где \(\tilde{G} = \Theta \odot G_{\text{nominal}}\). Достаточно линеаризованной бортовой матрицы эффективности управления; всё остальное поглощается множителем \(\Theta\).
VFF на основе информационного содержимого: \(\lambda_i = 1 - (1 - \phi_i^{\top} K_i)\, \varepsilon_i^2 / \Sigma_0\), где \(\Sigma_0 = \sigma_0^2 N_0\). Соответствует уравнениям 26-27 статьи.
Проверка согласованности по осям: усреднение по столбцам, когда построчные обновления согласованы между собой. Полезно при избыточном отображении управляющих поверхностей на одни и те же оси (по типу Flying-V). По умолчанию consistency_threshold = 10, то есть проверка фактически отключена; ужесточайте порог только для действительно избыточных объектов управления.
Pseudo-control hedging (PCH): разрыв \(\nu_{\text{des}} - \dot{\omega}_{\text{meas}}\) подаётся обратно в эталонные модели, чтобы они «замораживались» при насыщении приводов.
Протокол бортовой CE: \(G_{\text{nominal}}(x, u)\) запрашивается на каждом такте у экземпляра OnboardCEModel (F16NonlinearOnboardCE для F-16, LinearOnboardCE(B) для любого объекта управления с известной линеаризацией).

Архитектура¶

                       ┌────────────────────┐
   C*_cmd, φ_cmd,      │  Внешний контур    │
   β_cmd, V_cmd  ───►  │  (C*, крен, β,     │
                       │   скорость, лин.)  │
                       └────────┬───────────┘
                                │ ω_des
   PCH ◄── ω̇_meas ─┐            ▼
                   │   ┌──────────────────┐
                   │   │ Линейный регулятор │ ν
                   │   └──────┬───────────┘
                   │          ▼
                   │   ┌──────────────────┐    G_nominal(x, u)
                   │   │ Внутренний закон │ ◄── OnboardCEModel
                   │   │   AIDI           │
                   │   │ Δu = G̃⁺·(ν−ω̇)  │
                   │   └──────┬───────────┘
                   │          ▼ Δu
                   │   ┌──────────────────┐
                   │   │ Огранич. скор/амп │
                   │   └──────┬───────────┘
                   │          ▼ u
                   │       env.step
                   │          ▼ ω
                   │   ┌──────────────────┐
                   └─◄ │ ω̇ из НЧ-произв.  │
                       └──────┬───────────┘
                              ▼
                       ┌──────────────────┐
                       │ ScalingRLS:      │
                       │ Θ ← Θ + ΔΘ       │
                       │ информац. VFF    │
                       │ проверка согл.   │
                       └──────────────────┘

Компоненты¶

Компонент	Роль	Реализация
`ScalingRLS`	Построчный VFF-RLS над Θ; маска наблюдаемости + ограничение следа ковариации	`tensoraerospace.agent.aidi.ScalingRLS`
`OnboardCEModel`	Протокол, возвращающий \(G_{\text{nominal}}(x, u)\)	`tensoraerospace.agent.aidi.OnboardCEModel`
`LinearOnboardCE`	CE с постоянной матрицей	`tensoraerospace.agent.aidi.LinearOnboardCE`
`F16NonlinearOnboardCE`	FD-адаптер над угловыми ОДУ F-16; ремап `(wx, wy, wz)` в `(p, q, r)`	`tensoraerospace.agent.aidi.F16NonlinearOnboardCE`
`MoorePenroseAllocator`	Псевдоинверсия с защитой от плохой обусловленности	`tensoraerospace.agent.aidi.MoorePenroseAllocator`
`PseudoControlHedge`	Сигнал хеджирования + счётчик заморозки по каждой оси	`tensoraerospace.agent.aidi.PseudoControlHedge`
`CStarController`, `RollReferenceModel`, `SideslipCompensator`, `SpeedController`, `LinearController`	Блоки внешнего контура	`tensoraerospace.agent.aidi.ref_models`
`AIDIAgent` / `AIDIConfig`	Оркестратор и сохранение состояния	`tensoraerospace.agent.aidi.AIDIAgent`

Быстрый старт (F-16)¶

import math, numpy as np
from tensoraerospace.agent.aidi import AIDIAgent, AIDIConfig, F16NonlinearOnboardCE
from tensoraerospace.aerospacemodel.f16.nonlinear.angular.params import default_parameters

agent = AIDIAgent(
    n_state=3, n_control=3,
    onboard_ce=F16NonlinearOnboardCE(default_parameters(), perturb=1e-3),
    config=AIDIConfig(dt=0.01, seed=0),
)

# obs['omega'] в порядке (p, q, r) — у F-16-окружения wy=r и wz=q,
# поэтому требуется переупорядочивание: omega = (obs[2], obs[4], obs[3])
obs = {"omega": np.zeros(3), "alpha": 0.05, "beta": 0.0,
       "theta": 0.0, "phi": 0.0, "V": 200.0, "state": np.zeros(14)}
ref = {"C_star": 1.0, "phi_cmd": 0.0, "beta_cmd": 0.0, "V_cmd": 200.0}

u_rad = agent.predict(obs, references=ref, time_step=0)
# Шаг среды (среда ожидает градусы):
# next_obs, reward, terminated, truncated, info = env.step(np.rad2deg(u_rad))
next_obs = obs  # заглушка для примера; в реальном цикле — результат env.step
metrics = agent.learn(next_obs, references=ref, time_step=0)

API сохранения/загрузки и round-trip с Hugging Face у агента такие же, как в aa_indi/et_dhp/im_gdhp.

Подробный пример¶

example/reinforcement_learning/incremental_adp/example_aidi_damage_f16.ipynb — полный сценарий восстановления при отказе на нелинейной модели F-16: тримминг, базовая траектория, потеря 25 % эффективности стабилизатора в момент t = 5 с, сравнение прогонов с адаптивной и замороженной (frozen-Θ) идентификацией.

CLI для бенчмарков¶

python -m tensoraerospace.scripts.benchmark_aidi \
    --env f16_nonlinear_angular \
    --baselines frozen \
    --scenarios nominal,stab_50,stab_25,stab_lost,rudder_lost \
    --episodes 5 --steps 1500 \
    --out report.md --csv report.csv

Формирует Markdown-таблицу и CSV с RMSE по осям — аналог Table 8 из статьи, но на F-16.

Гиперпараметры¶

Внутренний контур и ограничения приводов¶

Параметр	По умолчанию	Описание
`dt`	0.01	Шаг управления (с)
`u_magnitude_limit`	`radians(25)`	Ограничение по амплитуде (в тех же единицах, что `u` у `OnboardCEModel`)
`u_rate_limit`	`radians(60)`	Максимальное Δu в секунду
`pinv_rcond`	1e-6	Порог отсечки для `np.linalg.pinv(G)`
`cond_threshold`	1e12	При превышении `cond(G)` происходит откат к `Δu = 0`
`sensor_cutoff_hz`	15.0	Частота среза НЧ-фильтра для ω̇

Scaling-RLS¶

Параметр	По умолчанию	Описание
`rls_lambda_min`	0.7	Нижняя граница фактора забывания (быстрая адаптация)
`rls_lambda_max`	0.999	Верхняя граница фактора забывания (подавление шума)
`rls_sigma0`	1e-3	СКО шума датчика σ₀, используемое в Σ₀ = σ₀²·N₀
`rls_memory_length`	100	Номинальная длина памяти N₀ (отсчётов)
`rls_cov_init`	1.0	Начальный масштаб P_i
`rls_consistency_threshold`	10.0	Порог проверки согласованности по осям (≤ 1e-6 для избыточных объектов управления)

PCH¶

Параметр	По умолчанию	Описание
`pch_freeze_after`	30	Число тактов насыщения до жёсткой заморозки эталонной скорости
`pch_gap_tol`	1e-3	Значение `\|ν_h\|`, ниже которого ось считается отслеженной

Внешний контур¶

Параметр	По умолчанию	Описание
`cstar_kp` / `cstar_ki`	1.5 / 0.5	ПИ-коэффициенты C*
`cstar_V_co`	122.6	Скорость кроссовера C* (м/с)
`roll_omega_n` / `roll_zeta`	2.5 / 0.7	Параметры эталонной модели крена (2-й порядок)
`sideslip_kp` / `sideslip_ki`	1.5 / 0.1	ПИ-регулятор скольжения
`speed_*`, `speed_enabled`	0 / False	Автомат тяги (по умолчанию выключен)

Поддерживаемые окружения¶

Любая среда Gymnasium, в которой доступны \((p, q, r)\) и \(\alpha, \beta, \theta, \phi, V\). Опциональное \(n_z\) восстанавливается по \((\alpha, \dot{\alpha}, q, V, \theta, \phi)\), если оно отсутствует.
Нелинейная угловая среда F-16, подключённая через F16NonlinearOnboardCE (ремап осей встроен).
Любой объект управления с постоянной линеаризованной CE — передавайте LinearOnboardCE(B).

Сохранение/загрузка¶

run_dir = agent.save("./checkpoints")           # создаёт <date>_AIDIAgent/
restored = AIDIAgent.from_pretrained(run_dir, onboard_ce=F16NonlinearOnboardCE(...))
agent.publish_to_hub("me/my-aidi", folder_path=run_dir, access_token="hf_...")

Сохраняемые артефакты:

config.json — полный AIDIConfig плюс n_state / n_control.
scaling_rls.npz — theta, P, last_lambda, last_residual, num_updates.
outer_state.npz — интеграторы C*/скольжения/скорости и состояние эталонной модели крена.
pch_state.npz — сигнал хеджирования, счётчик насыщения, флаги заморозки.
deriv_state.npz — состояние НЧ-дифференциатора.
loop_state.npz — u_prev, omega_prev, omega_dot_cached, последняя команда, последняя G_nominal, счётчик шагов.

Документация API¶

`AIDIAgent(n_state, n_control, onboard_ce, config=None)` ¶

Adaptive Incremental Dynamic Inversion control agent.

`reset()` ¶

Clear per-episode rolling state — keeps Θ and P (lifelong adaptation).

AIDIConfig(dt=0.01, u_magnitude_limit=math.radians(25.0), u_rate_limit=math.radians(60.0), pinv_rcond=1e-06, cond_threshold=1000000000000.0, sensor_cutoff_hz=15.0, rls_lambda_min=0.7, rls_lambda_max=0.999, rls_sigma0=0.001, rls_memory_length=100, rls_cov_init=1.0, rls_consistency_threshold=10.0, pch_freeze_after=30, pch_gap_tol=0.001, cstar_kp=1.5, cstar_ki=0.5, cstar_V_co=122.6, cstar_i_clip=5.0, roll_omega_n=2.5, roll_zeta=0.7, sideslip_kp=1.5, sideslip_ki=0.1, sideslip_i_clip=5.0, speed_kp=0.0, speed_ki=0.0, speed_kd=0.0, speed_enabled=False, rate_kp=(0.0, 0.0, 0.0), seed=None, history=dict()) `dataclass` ¶

Hyper-parameters for :class:AIDIAgent.

`ScalingRLS(n_y, n_u, lambda_min=0.7, lambda_max=0.999, sigma0=0.001, memory_length=100, cov_init=1.0, consistency_threshold=10.0, observability_floor=1e-08, cov_trace_bound=None, seed=None)` ¶

Recursive identifier of the multiplicative scaling matrix Θ.

Parameters:

Name	Type	Description	Default
`n_y`	`int`	Number of rate axes (rows of Θ).	required
`n_u`	`int`	Number of control surfaces (columns of Θ).	required
`lambda_min`	`float`	Lower bound on the variable forgetting factor — the estimator falls toward this value when the residual is large (fast adaptation during faults).	`0.7`
`lambda_max`	`float`	Upper bound on the variable forgetting factor — the estimator returns toward this value during quiescent operation.	`0.999`
`sigma0`	`float`	Sensor-noise standard deviation σ₀ used in the information-content VFF (Eq. 27 of the paper, Σ₀ = σ₀²·N₀).	`0.001`
`memory_length`	`int`	Nominal memory length N₀ in samples.	`100`
`cov_init`	`float`	Initial scale of the per-row covariance matrices.	`1.0`
`consistency_threshold`	`float`	Per-paper relative threshold for the cross-axis consistency check; updates that deviate by more than this from the column mean are replaced by the mean.	`10.0`
`seed`	`int \| None`	Reserved for future stochastic variants — currently unused.	`None`

`sigma_total` `property` ¶

Information-content denominator Σ₀ = σ₀²·N₀.

`update(du, domega, G_nominal)` ¶

Run one RLS step using (Δu, Δω̇, G_nominal).

Parameters:

Name	Type	Description	Default
`du`	`ndarray`	Control increment, shape `(n_u,)`.	required
`domega`	`ndarray`	Angular-rate-derivative increment, shape `(n_y,)`.	required
`G_nominal`	`ndarray`	Onboard CE matrix at the linearisation point, shape `(n_y, n_u)`.	required

Returns:

Type	Description
`ndarray`	The pre-update residual ε of shape `(n_y,)`.

`OnboardCEModel` ¶

Bases: Protocol

Duck-typed onboard CE provider.

`F16NonlinearOnboardCE(params=None, perturb=0.001)` ¶

Finite-difference adapter over the F-16 6-DoF angular ODE.

The F-16 angular ODE applies aero moments through the actuator positions held in the state vector (indices 8 = stab, 10 = ail, 12 = dir); the control input u only feeds the second-order actuator dynamics. INDI's control-effectiveness is therefore the gain from actuator deflection to angular acceleration, with time-scale separation handing the actuator dynamics over to the inner loop's increment law (Δu ≡ Δ(deflection) on the airframe time-scale).

Axis-ordering note: this F-16 codebase stores the body rates in the order (wx, wy, wz) = (p, r, q) — i.e. wy is yaw rate and wz is pitch rate. The adapter remaps so the returned matrix rows correspond to the conventional (p, q, r) order expected by the AIDI outer loop (CStar/roll/sideslip).

We compute G_ij = ∂ω̇_i/∂(deflection_j) by central differencing f16_ode_6dof around the operating point: perturb state[8/10/12] in turn, read rows 2/4/3 of the ODE output (= p, q, r). The returned matrix is in the basis (p, q, r) × (stab, ail, dir).

Parameters:

Name	Type	Description	Default
`params`	`'F16AngularParameters \| None'`	F-16 parameter set (defaults to :func:`default_parameters`).	`None`
`perturb`	`float`	Half-width of the central-difference perturbation (radians).	`0.001`

`MoorePenroseAllocator(rcond=1e-08, cond_threshold=100000000.0)` ¶

Minimum-norm control allocation via :func:numpy.linalg.pinv.

Parameters:

Name	Type	Description	Default
`rcond`	`float`	Cut-off for small singular values, passed to :func:`numpy.linalg.pinv`.	`1e-08`
`cond_threshold`	`float`	When `cond(G)` exceeds this value, `allocate` returns `Δu = 0` and emits a warning instead of inverting.	`100000000.0`

`allocate(G_eff, nu_des, omega_dot_meas)` ¶

Compute Δu = G⁺ · (ν_des − ω̇_meas).

Parameters:

Name	Type	Description	Default
`G_eff`	`ndarray`	Scaled control-effectiveness matrix `G̃`, shape `(n_y, n_u)`.	required
`nu_des`	`ndarray`	Virtual control vector, shape `(n_y,)`.	required
`omega_dot_meas`	`ndarray`	Measured angular acceleration, shape `(n_y,)`.	required

Returns:

Type	Description
`ndarray`	Control increment `Δu` of shape `(n_u,)`. Zero when
`ndarray`	`G_eff` is too ill-conditioned to invert.

`PseudoControlHedge(n_y, freeze_after=20, gap_tol=1e-06)` ¶

PCH state machine, one entry per rate axis.

Parameters:

Name	Type	Description	Default
`n_y`	`int`	Number of rate axes.	required
`freeze_after`	`int`	Number of consecutive saturated ticks before the corresponding reference rate is hard-frozen.	`20`
`gap_tol`	`float`	Magnitude of `\|ν_h\|` below which the axis is considered tracked (resets the saturation counter).	`1e-06`

`update(nu_des_prev, omega_dot_meas)` ¶

Compute hedge and update the freeze counters.

Parameters:

Name	Type	Description	Default
`nu_des_prev`	`ndarray`	Virtual control demanded on the previous tick.	required
`omega_dot_meas`	`ndarray`	Measured angular acceleration this tick.	required

Returns:

Type	Description
`ndarray`	Hedge vector `ν_h` of shape `(n_y,)`.

Источники¶

Ul Haq, Atmaca, van Kampen. "Adaptive Incremental Dynamic Inversion for Fault-tolerant Flight Control of a Flying Wing", AIAA SciTech 2026, 10.2514/6.2026-1744.
Atmaca, van Kampen. "Fault Tolerant Control for the Flying-V Using Adaptive Incremental Nonlinear Dynamic Inversion", AIAA SciTech 2025, 10.2514/6.2025-0081.
Fortescue, Kershenbaum, Ydstie. "Implementation of Self-Tuning Regulators with Variable Forgetting Factors", Automatica, 1981.

Adaptive Incremental Dynamic Inversion (AIDI)¶

Ключевые идеи¶

Архитектура¶

Компоненты¶

Быстрый старт (F-16)¶

Подробный пример¶

CLI для бенчмарков¶

Гиперпараметры¶

Внутренний контур и ограничения приводов¶

Scaling-RLS¶

PCH¶

Внешний контур¶

Поддерживаемые окружения¶

Сохранение/загрузка¶

Документация API¶

AIDIAgent(n_state, n_control, onboard_ce, config=None) ¶

reset() ¶

ScalingRLS(n_y, n_u, lambda_min=0.7, lambda_max=0.999, sigma0=0.001, memory_length=100, cov_init=1.0, consistency_threshold=10.0, observability_floor=1e-08, cov_trace_bound=None, seed=None) ¶

sigma_total property ¶

update(du, domega, G_nominal) ¶

OnboardCEModel ¶

F16NonlinearOnboardCE(params=None, perturb=0.001) ¶

MoorePenroseAllocator(rcond=1e-08, cond_threshold=100000000.0) ¶

allocate(G_eff, nu_des, omega_dot_meas) ¶

PseudoControlHedge(n_y, freeze_after=20, gap_tol=1e-06) ¶

update(nu_des_prev, omega_dot_meas) ¶

Источники¶

`AIDIAgent(n_state, n_control, onboard_ce, config=None)` ¶

`reset()` ¶

`ScalingRLS(n_y, n_u, lambda_min=0.7, lambda_max=0.999, sigma0=0.001, memory_length=100, cov_init=1.0, consistency_threshold=10.0, observability_floor=1e-08, cov_trace_bound=None, seed=None)` ¶

`sigma_total` `property` ¶

`update(du, domega, G_nominal)` ¶

`OnboardCEModel` ¶

`F16NonlinearOnboardCE(params=None, perturb=0.001)` ¶

`MoorePenroseAllocator(rcond=1e-08, cond_threshold=100000000.0)` ¶

`allocate(G_eff, nu_des, omega_dot_meas)` ¶

`PseudoControlHedge(n_y, freeze_after=20, gap_tol=1e-06)` ¶

`update(nu_des_prev, omega_dot_meas)` ¶