Dieses Papier schlägt einen neuen Ansatz zur Vorhersage der Bewegung von Fußgängern vor, die mit anderen interagieren. Es verwendet ein Generatives adversariales Netzwerk (GAN), um plausible Vorhersagen für jeden Agenten in der Szene zu erzeugen. Da GANs sehr anfällig für Moduszusammenbruch und -verlust sind, zeigen wir, dass das kürzlich vorgeschlagene Info-GAN erhebliche Verbesserungen bei der multimodalen Vorhersage von Fußgängertrajektorien ermöglicht, um diese Probleme zu vermeiden. Im Gegensatz zu früheren Arbeiten haben wir den L2-Verlust beim Training des Generators weggelassen, da dieser zwar eine schnellere Konvergenz bewirkt, aber ernsthafte Moduszusammenbrüche verursacht.Durch Experimente mit realen und synthetischen Daten zeigen wir, dass der vorgeschlagene Ansatz zu vielfältigeren Stichproben führt und die Modi der prädiktiven Verteilung erhält. Insbesondere, um diese Behauptung zu beweisen, haben wir ein Toy-Datenset von Trajektorien entwickelt, das verwendet werden kann, um die Leistung verschiedener Methoden bei der Erhaltung der Modi der prädiktiven Verteilung zu bewerten.