Ce projet implémente une méthode de apprentissage de préférences de préhension d'objets en utilisant un nombre minimal d'étiquettes par objet, et généralise ces préférences à de nouvelles vues de ces objets. Les candidats de préhension sont encodés en patchs d'images pour être facilement utilisés dans des réseaux de neurones convolutifs. Ces patchs sont utilisés pour entraîner un autoencodeur variaionnel convolutif, ce qui permet d'encoder les patchs dans une représentation latente. Cette représentation latente est utilisée pour entraîner un classificateur GP qui prédira la correspondance entre les préférences de préhension d'un utilisateur et un candidat de préhension.

Ce projet implémente une méthode de préhension d'objets basée sur l'espace latent, utilisant un autoencodeur variationnel pour réduire la dimensionnalité des images et un classifieur GP pour prédire les préférences de préhension. Les candidats de préhension sont encodés en patchs d'images pour être traités par des réseaux de neurones convolutifs.