본 논문은 부분적인 관측만으로 다양하고 불확실성을 고려한 다중 손가락 로봇 그립을 합성하는 문제를 다룬다. 기존의 생성 모델들은 숙련된 손의 복잡한 그립 분포를 모델링하는 데 어려움을 겪고, 부분적인 점 구름에 내재된 형태 불확실성을 고려하지 못해 신뢰할 수 없거나 지나치게 보수적인 그립을 생성하는 경향이 있다. 본 논문에서는 흐름 기반 변분 프레임워크인 FFHFlow를 제안한다. FFHFlow는 부분적인 점 구름의 지각 불확실성을 명시적으로 정량화하면서 다양하고 견고한 다중 손가락 그립을 생성한다. 정규화 흐름 기반 심층 잠재 변수 모델을 활용하여 계층적 그립 매니폴드를 학습함으로써 조건부 VAE의 모드 붕괴 및 고정된 사전 분포의 한계를 극복한다. 흐름의 가역성과 정확한 우도를 활용하여 부분적인 관측에서 형태 불확실성을 파악하고 새로운 물체 구조를 식별하여 위험을 고려한 그립 합성을 가능하게 한다. 신뢰성을 더욱 높이기 위해 판별적 그립 평가기를 흐름 우도와 통합하여 불확실성을 고려한 순위 전략을 수립하고, 형태 모호성에 강인한 그립을 우선적으로 선택한다. 시뮬레이션 및 실제 환경에서의 광범위한 실험을 통해 FFHFlow가 그립 다양성과 성공률 면에서 최첨단 기준 모델(확산 모델 포함)을 능가하고, 실행 시간이 효율적인 샘플링을 달성함을 보여준다. 또한, 다양성 기반 샘플링이 충돌을 완화하여 혼잡하고 제한된 환경에서의 실용적인 가치를 보여준다.
