فهم فعال للبيئة وتوقع دقيق لمسارات العقبات الديناميكية المحيطة أمر حاسم لأنظمة الذكاء مثل المركبات ذاتية القيادة والروبوتات المتنقلة ذات العجلات التي تتنقل في سيناريوهات معقدة لتحقيق صنع قرارات آمن وعالي الجودة، والتخطيط الحركي والتحكم. نظرًا لطبيعة المستقبل غير المؤكدة، فمن المرغوب إجراء الاستدلال من منظور احتمالي بدلاً من التوقع الحتمي. في هذا البحث، نقترح نظامًا عصبيًا مولدًا مشروطًا (CGNS) لتوقع المسارات الاحتمالية بهدف تقريب توزيع البيانات، مما يمكن من أخذ عينات من فرضيات المسارات المستقبلية الواقعية والممكنة والمتنوعة. يجمع النظام بين قوة تعلم الفضاء الكامن المشروط وتقليل الاختلاف المتغير، ويستفيد من المعلومات الساكنة والسياق الثابت ومعلومات التفاعل باستخدام آليات الانتباه الناعم. كما نقترح طريقة تنظيمية لدمج القيود اللينة في الشبكات العصبية العميقة باستخدام وظائف الحواجز القابلة للمفاضلة، والتي يمكن أن تنظم وتدفع العينات المولدة إلى المناطق الممكنة. تم تقييم النظام المقترح على عدة مجموعات بيانات مرجعية عامة لتوقع مسارات المشاة وعلى مجموعة بيانات قيادة طبيعية جُمعت بواسطة فريقنا حول الدوران الدائري. تظهر نتائج التجارب أن نموذجنا يحقق أداءً أفضل من العديد من الأساليب الأساسية فيما يتعلق بدقة التوقع.