Eine effektive Umwelterkennung und eine genaue Trajektorienprognose dynamischer Hindernisse in der Umgebung sind entscheidend für intelligente Systeme wie autonome Fahrzeuge und radgeführte Mobile Roboter, die in komplexen Szenarien sicher und von hoher Qualität geprägte Entscheidungen treffen, Bewegungsplanung durchführen und Steuerung implementieren können. Aufgrund der unsicheren Natur der Zukunft ist es wünschenswert, aus wahrscheinlichkeitstheoretischer Perspektive zu schließen, anstatt deterministische Vorhersagen zu treffen. In dieser Arbeit schlagen wir ein bedingtes generatives neuronales System (CGNS) zur probabilistischen Trajektorienprognose vor, das die Datenverteilung approximiert, sodass realistische, machbare und vielfältige Hypothesen zukünftiger Trajektorien erzeugt werden können. Das System kombiniert die Stärken des bedingten Lernens im latente Raum und der variationellen Divergenzminimierung und nutzt sowohl den statischen Kontext als auch Interaktionsinformationen durch weiche Aufmerksamkeitsmechanismen. Wir schlagen außerdem eine Regularisierungsmethode vor, um weiche Nebenbedingungen mit differenzierbaren Barriere-Funktionen in tiefere neuronale Netze zu integrieren, was die erzeugten Proben regulieren und in zulässige Bereiche drängen kann. Das vorgeschlagene System wurde auf mehreren öffentlichen Benchmark-Datensätzen zur Fußgänger-Trajektorienprognose sowie auf einem von uns selbst gesammelten Datensatz natürlichen Fahrverhaltens in Kreisverkehren evaluiert. Die experimentellen Ergebnisse zeigen, dass unser Modell hinsichtlich der Vorhersagegenauigkeit bessere Leistungen als verschiedene Baseline-Methoden erzielt.