نُعالج مشكلة توقع مسارات المشاة والمركبات في بيئات غير معروفة، مع الاعتماد على الحركة السابقة والبنية الهيكلية للمنظر. يُعد توقع المسارات مشكلة صعبة نظرًا للتباين الكبير في هيكل البيئة وتوزيع المسارات المستقبلية متعددة النماذج. على عكس الطرق السابقة التي تتعلم مباشرةً تطابقًا من واحد إلى كثير من السياق المُراقب إلى مسارات مستقبلية متعددة، نقترح أن نُشَرِّع توقعات المسارات على خطط تم أخذ عينات منها من سياسة مُستندة إلى شبكة (grid) تم تعلمها باستخدام التعلم المعزز العكسي لحد أقصى الانتروبي (MaxEnt IRL). نُعيد صياغة MaxEnt IRL لتمكين السياسة من استنتاج الأهداف المعقولة للوكيل، والمسارات المُحتملة نحو تلك الأهداف على شبكة ثنائية الأبعاد خشنة مُعرّفة فوق البيئة. ونُقدّم مُولّدًا للمسارات يعتمد على آلية الانتباه (attention) يُولِّد مسارات مستقبلية ذات قيم مستمرة، معتمدًا على تسلسلات الحالة المستمدة من السياسة المُتعلّمة باستخدام MaxEnt. تُظهر التقييمات الكمية والكيفية على مجموعتي بيانات طائرات مُسيرة من ستانفورد (Stanford Drone) وNuScenes المتاحة للجمهور أن نموذجنا يُولِّد مسارات متنوعة، تمثل التوزيع التنبؤي متعدد النماذج، ودقيقة، وتنسجم مع البنية الهيكلية الكامنة في البيئة على مدى فترات تنبؤ طويلة.