有效理解环境并准确预测周围动态障碍物的轨迹对于在复杂场景中导航的智能系统（如自动驾驶汽车和轮式移动机器人）实现安全且高质量的决策、运动规划和控制至关重要。由于未来的不确定性，从概率角度进行推理比确定性预测更为理想。本文提出了一种条件生成神经系统（Conditional Generative Neural System, CGNS），用于概率轨迹预测，以近似数据分布，从而可以采样出真实、可行且多样的未来轨迹假设。该系统结合了条件潜在空间学习和变分散度最小化的优点，并利用软注意力机制同时考虑静态上下文和交互信息。我们还提出了一种正则化方法，通过可微屏障函数将软约束纳入深度神经网络，从而调节并推动生成样本进入可行区域。所提出的系统在多个公开基准数据集上进行了行人轨迹预测评估，并在我们自行收集的一个环形交叉口自然驾驶数据集上进行了测试。实验结果表明，我们的模型在预测准确性方面优于多种基线方法。