تُعدّ توقع حركة الوكالات مثل المشاة أو المركبات التي تقودها البشر من أكثر المشكلات أهمية في مجال القيادة الذاتية. إذ تعتمد السلامة العامة للقيادة والراحة التي يشعر بها الركاب بشكل مباشر على حل هذه المشكلة بنجاح. كما يظل توقع الحركة أحد أكثر التحديات تعقيدًا في هندسة القيادة الذاتية، وذلك بشكل رئيسي بسبب التباين العالي في السلوك المستقبلي الممكن للوكيل بناءً على الوضع الحالي. وتنجم هذه الظاهرة عن ظهور تعددية النماذج الناتجة عن عدم اليقين في نية الوكيل (مثل الانعطاف إلى اليمين أو المضي قدمًا)، بالإضافة إلى عدم اليقين في تنفيذ النية المحددة (مثل اختيار الممر الذي سيتم الانعطاف إليه). ولأن النظام المُتوقع للحركة يكون مفيدًا داخل سلسلة معالجة حقيقية الزمن في أنظمة القيادة الذاتية، فإنه يجب أن يوفر طرقًا فعّالة لوصف وقياس هذا عدم اليقين، مثل حساب القيم العظمى للخلفية (posterior modes) واحتمالاتها، أو تقدير الكثافة عند النقطة المقابلة لمسار معين. كما يجب ألا يُعزز بشكل كبير الاحتمالات على المسارات غير الممكنة فعليًا، لأن ذلك قد يُربك النظام الذي يعالج التوقعات. في هذا البحث، نقدّم طريقة تُسمى PRANK، التي تحقق هذه المتطلبات. تعتمد PRANK على صور مصفوفة (rasterized) من منظور عين الطائر للبيئة المحيطة بالوكيل كمدخل، وتستخرج من خلال شبكة عصبية تلافيفية (convolutional neural network) سمات المشهد. ثم تُنتج توزيعًا شرطيًا لمسارات الوكيل التي تكون معقولة في السياق المعطى. وتمثّل المساهمة الأساسية لـ PRANK طريقة تمثيل هذا التوزيع باستخدام أساليب الجيران الأقرب (nearest-neighbor methods) في فضاء المسارات المخفية (latent trajectory space)، مما يمكّن من استنتاج فعّال في الزمن الحقيقي. وقد قُمنا بتقييم PRANK على مجموعتي بيانات داخليتين وArgoverse، حيث أظهرت نتائج تنافسية.