Este artículo aborda el problema de sintetizar agarres robóticos multidedos diversos e inciertos a partir de observaciones parciales. Los modelos generativos existentes presentan dificultades para modelar la compleja distribución de agarres en manos expertas y tienden a generar agarres poco fiables o excesivamente conservadores debido a su incapacidad para considerar la incertidumbre de forma inherente a las nubes de puntos parciales. En este artículo, proponemos FFHFlow, un marco variacional basado en flujo. FFHFlow genera agarres multidedos diversos y robustos, a la vez que cuantifica explícitamente la incertidumbre perceptual en nubes de puntos parciales. Supera las limitaciones del colapso modal de las VAE condicionales y las distribuciones a priori fijas mediante el aprendizaje de una variedad de agarres jerárquica mediante un modelo de variable latente profunda regularizada basado en flujo. Aprovechando la reversibilidad del flujo y la verosimilitud precisa, identificamos la incertidumbre de forma a partir de observaciones parciales e identificamos nuevas estructuras de objetos, lo que permite una síntesis de agarres con conciencia de riesgo. Para mejorar aún más la fiabilidad, integramos un estimador de agarre discriminativo con verosimilitud de flujo para desarrollar una estrategia de clasificación con conciencia de incertidumbre, priorizando los agarres robustos a la ambigüedad de forma. Experimentos exhaustivos en simulaciones y entornos reales demuestran que FFHFlow supera a los modelos de referencia de vanguardia (incluidos los modelos de difusión) en cuanto a diversidad de agarre y tasa de éxito, a la vez que logra un muestreo eficiente en tiempo de ejecución. Además, el muestreo basado en la diversidad mitiga las colisiones, lo que demuestra su valor práctico en entornos congestionados y limitados.
