यह शोधपत्र आंशिक प्रेक्षणों के आधार पर विविध और अनिश्चित बहु-उंगली रोबोटिक ग्रिपों के संश्लेषण की समस्या का समाधान करता है। मौजूदा जनरेटिव मॉडल कुशल हाथों के जटिल ग्रिप वितरण को मॉडल करने में कठिनाई का सामना करते हैं और आंशिक बिंदु बादलों में निहित आकार अनिश्चितता को ध्यान में न रख पाने के कारण अविश्वसनीय या अत्यधिक रूढ़िवादी ग्रिप उत्पन्न करते हैं। इस शोधपत्र में, हम FFHFlow, एक प्रवाह-आधारित परिवर्तनशील ढाँचा, प्रस्तावित करते हैं। FFHFlow आंशिक बिंदु बादलों में अवधारणात्मक अनिश्चितता को स्पष्ट रूप से मापते हुए विविध और मज़बूत बहु-उंगली ग्रिप उत्पन्न करता है। यह एक नियमित प्रवाह-आधारित गहन अव्यक्त चर मॉडल का उपयोग करके एक पदानुक्रमित ग्रिप मैनिफोल्ड सीखकर सशर्त VAEs के मोड पतन और निश्चित पूर्व वितरण की सीमाओं पर विजय प्राप्त करता है। प्रवाह उत्क्रमणीयता और सटीक प्रायिकता का लाभ उठाते हुए, हम आंशिक प्रेक्षणों से आकार अनिश्चितता की पहचान करते हैं और नई वस्तु संरचनाओं की पहचान करते हैं, जिससे जोखिम-जागरूक ग्रिप संश्लेषण संभव होता है। विश्वसनीयता को और बेहतर बनाने के लिए, हम एक विभेदक ग्रिप अनुमानक को प्रवाह संभावना के साथ एकीकृत करते हैं ताकि एक अनिश्चितता-जागरूक रैंकिंग रणनीति विकसित की जा सके, और आकार की अस्पष्टता के प्रति मज़बूत ग्रिप को प्राथमिकता दी जा सके। सिमुलेशन और वास्तविक दुनिया के वातावरणों में व्यापक प्रयोगों से पता चलता है कि FFHFlow ग्रिप विविधता और सफलता दर में अत्याधुनिक बेसलाइन मॉडलों (विसरण मॉडल सहित) से बेहतर प्रदर्शन करता है, जबकि रनटाइम में कुशल नमूनाकरण प्राप्त करता है। इसके अलावा, विविधता-आधारित नमूनाकरण टकरावों को कम करता है, जो भीड़-भाड़ वाले और सीमित वातावरणों में इसके व्यावहारिक मूल्य को प्रदर्शित करता है।
