Cet article aborde le problème de la synthèse de préhensions robotiques multi-doigts diverses et incertaines à partir d'observations partielles. Les modèles génératifs existants peinent à modéliser la distribution complexe de préhension des mains expertes et tendent à générer des préhensions peu fiables ou trop conservatrices en raison de leur incapacité à prendre en compte l'incertitude de forme inhérente aux nuages de points partiels. Dans cet article, nous proposons FFHFlow, un cadre variationnel basé sur les flux. FFHFlow génère des préhensions multi-doigts diverses et robustes tout en quantifiant explicitement l'incertitude perceptuelle dans les nuages de points partiels. Il surmonte les limites de l'effondrement des modes conditionnels des VAE et des distributions a priori fixes en apprenant une variété de préhensions hiérarchique à l'aide d'un modèle à variables latentes profondes basé sur les flux régularisé. En exploitant la réversibilité des flux et la vraisemblance précise, nous identifions l'incertitude de forme à partir d'observations partielles et identifions de nouvelles structures d'objets, permettant une synthèse de préhensions tenant compte des risques. Pour améliorer encore la fiabilité, nous intégrons un estimateur de préhension discriminant à la vraisemblance des flux afin de développer une stratégie de classement tenant compte de l'incertitude, privilégiant les préhensions robustes à l'ambiguïté de forme. Des expériences approfondies en simulation et en conditions réelles démontrent que FFHFlow surpasse les modèles de référence les plus récents (y compris les modèles de diffusion) en termes de diversité d'adhérence et de taux de réussite, tout en assurant un échantillonnage efficace à l'exécution. De plus, l'échantillonnage basé sur la diversité atténue les collisions, démontrant ainsi son utilité pratique dans les environnements encombrés et contraints.
