यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
आंशिक प्रेक्षणों से विविध और अनिश्चितता-जागरूक बहु-उंगली हैंड ग्रिप का संश्लेषण रोबोट सीखने में एक गंभीर चुनौती बना हुआ है। मौजूदा जनरेटिव मॉडल निपुण हाथों के जटिल ग्रिप वितरण को मॉडल करने में संघर्ष करते हैं और अक्सर अविश्वसनीय या अत्यधिक रूढ़िवादी ग्रिप उत्पन्न करते हैं, आंशिक बिंदु बादलों में निहित आकार अनिश्चितता को ध्यान में नहीं रखते। इस पत्र में, हम FFHFlow का प्रस्ताव करते हैं, जो एक प्रवाह-आधारित परिवर्तनशील ढाँचा है जो विविध और मज़बूत बहु-उंगली ग्रिप उत्पन्न करता है और साथ ही आंशिक बिंदु बादलों से अवधारणात्मक अनिश्चितता को स्पष्ट रूप से मापता है। प्रस्तावित विधि एक पदानुक्रमित ग्रिप मैनिफ़ोल्ड सीखने के लिए एक नियमित प्रवाह-आधारित गहन अव्यक्त चर मॉडल का लाभ उठाकर सशर्त परिवर्तनशील ऑटोएनकोडर (cVAE) के मोड पतन और निश्चित पूर्व बाधाओं पर काबू पाती है। प्रवाह की उत्क्रमणीयता और सटीक संभाव्यता का लाभ उठाते हुए, FFHFlow आंशिक प्रेक्षणों से आकार अनिश्चितता की आंतरिक जाँच करता है और नवीन वस्तु संरचनाओं की पहचान करता है, जिससे ख़तरे-जागरूक ग्रिप संश्लेषण संभव होता है। विश्वसनीयता को और बेहतर बनाने के लिए, हम प्रवाह संभावना को एक विभेदक पकड़ अनुमानक के साथ एकीकृत करते हैं ताकि एक अनिश्चितता-जागरूक रैंकिंग रणनीति विकसित की जा सके जो आकार की अस्पष्टता के प्रति मज़बूत पकड़ को प्राथमिकता देती है। सिमुलेशन और वास्तविक दुनिया के वातावरण में व्यापक प्रयोगों से पता चलता है कि FFHFlow पकड़ विविधता और सफलता दर में अत्याधुनिक बेंचमार्क (विसरण मॉडल सहित) से बेहतर प्रदर्शन करता है, जबकि रनटाइम-कुशल नमूनाकरण प्राप्त करता है। इसके अलावा, हम जटिल, सीमित वातावरणों में इसके व्यावहारिक मूल्य को प्रदर्शित करते हैं, जहाँ विविधता-आधारित नमूनाकरण टकरावों को कम करता है और बेहतर प्रदर्शन प्रदान करता है (परियोजना पृष्ठ: https://sites.google.com/view/ffhflow/home/ )।
