يدرس هذا البحث مشكلة توقع المسارات المستقبلية للأشخاص في كاميرات غير مألوفة ضمن سيناريوهات ومنظورات جديدة. نتعامل مع هذه المشكلة من خلال إعداد خالي من البيانات الحقيقية، حيث يتم تدريب النموذج فقط على بيانات محاكاة ثلاثية الأبعاد، ويُطبَّق مباشرة على مجموعة واسعة من الكاميرات الحقيقية. نقترح منهجية جديدة لتعلم تمثيلات قوية من خلال تعزيز بيانات التدريب في البيئة الافتراضية، بحيث تتمكن هذه التمثيلات من التعميم بشكل أفضل على بيانات الاختبار الواقعية غير المرئية. الفكرة الأساسية تكمن في مزج ميزة أصعب منظور كاميرا مع الميزة التنافسية للمنظور الأصلي. ونُشير إلى طريقتنا باسم SimAug. ونُظهر أن SimAug تحقق نتائج واعدة على ثلاث معايير واقعية باستخدام صفر بيانات تدريب حقيقية، وتحقيق أداءً رائدًا في مجموعة بيانات Stanford Drone وبيانات VIRAT/ActEV عند استخدام بيانات تدريب ضمن المجال (in-domain).