부분적인 관측으로부터 다양하고 불확실성을 인식하는 다중 손가락 손의 그립을 합성하는 것은 로봇 학습에서 중요한 과제로 남아있습니다. 기존의 생성 모델들은 손재주 있는 손의 복잡한 그립 분포를 모델링하는 데 어려움을 겪고, 부분적인 점 구름에 내재된 형태 불확실성을 고려하지 못해 신뢰할 수 없거나 지나치게 보수적인 그립을 생성하는 경우가 많습니다. 본 논문에서는 부분적인 점 구름에서 지각 불확실성을 명시적으로 정량화하면서 다양하고 견고한 다중 손가락 그립을 생성하는 흐름 기반 변분 프레임워크인 FFHFlow를 제안합니다. 제안된 방법은 정규화 흐름 기반 깊은 잠재 변수 모델을 활용하여 계층적 그립 다양체를 학습함으로써 조건부 변분 오토인코더(cVAEs)의 모드 붕괴 및 고정된 사전 제한을 극복합니다. 흐름의 가역성과 정확한 가능도를 활용하여 FFHFlow는 부분적인 관측에서 형태 불확실성을 내부적으로 조사하고 새로운 객체 구조를 식별하여 위험을 인식하는 그립 합성을 가능하게 합니다. 신뢰성을 더욱 높이기 위해, 흐름 가능도와 판별적 그립 평가기를 통합하여 형태 모호성에 강인한 그립을 우선시하는 불확실성 인식 순위 전략을 수립합니다. 시뮬레이션 및 실제 환경에서의 광범위한 실험을 통해 FFHFlow가 그립 다양성과 성공률 측면에서 최첨단 기준(확산 모델 포함)을 능가하고, 실행 시간이 효율적인 샘플링을 달성함을 보여줍니다. 또한, 다양성 기반 샘플링이 충돌을 완화하여 탁월한 성능을 발휘하는 복잡하고 제한된 환경에서의 실용적인 가치를 보여줍니다 (프로젝트 페이지: https://sites.google.com/view/ffhflow/home/).
