من المتوقع أن تسير المركبات المستقلة في سيناريوهات معقدة تضم عدداً من الوكالات المستقلة غير التعاونية. ولا يمكن لخطة المسار في هذه البيئات أن تعتمد فقط على إدراك الموقع والحركة الحالية للوكلاء الآخرين، بل يتطلب ذلك التنبؤ بمتغيرات مثل هذه في المستقبل البعيد بما يكفي. في هذا البحث، نتناول مشكلة التنبؤ بالمسارات متعددة النماذج باستخدام شبكة عصبية مُعززة بالذاكرة. تعتمد طريقة عملنا على تعلم تمثيلات المسار في الماضي والمستقبل باستخدام الشبكات العصبية التكرارية، وتستفيد من ذاكرة خارجية متصلة لتخزين واسترجاع هذه التمثيلات. ثم يتم إجراء التنبؤ بالمسار من خلال تفكيك التمثيلات المستقبلية المخزنة في الذاكرة، مع التكيّف مع الملاحظات السابقة. ونُدخل معرفة بالمشهد إلى حالة التفكيك من خلال تعلُّم شبكة عصبية تلافيفية (CNN) على خرائط المشهد الشاملة دلاليًا. وتُحدَّد زيادة حجم الذاكرة من خلال تعلُّم منظم كتابة يعتمد على قدرة التنبؤ للتمثيلات الحالية. نُظهر أن طريقة عملنا قادرة على أداء التنبؤ بالمسار متعدد النماذج بشكل طبيعي، وتحقيق نتائج تُعد من أفضل النتائج المُحققة على ثلاث مجموعات بيانات. علاوة على ذلك، وبفضل الطبيعة غير المعلمية لوحدة الذاكرة، نُظهر كيف يمكن للنظام، بعد التدريب، أن يتحسن باستمرار من خلال استيعاب أنماط جديدة.