Die Modellierung menschlicher Bewegungen ist eine entscheidende Voraussetzung für sichere und sozial bewusste Navigation von Robotern. Daher ist die Vorhersage des Verhaltens mehrerer Agenten mittlerweile ein zentraler Bestandteil moderner mensch-roboter-Interaktionsysteme, beispielsweise autonomer Fahrzeuge. Obwohl zahlreiche Ansätze zur Trajektorienprognose existieren, berücksichtigen die meisten weder dynamische Einschränkungen noch Umgebungsinformationen (z. B. Karten). Um dieses Problem anzugehen, stellen wir Trajectron++ vor – ein modulares, graphenbasiertes rekurrentes Modell, das die Trajektorien einer beliebigen Anzahl unterschiedlicher Agenten vorhersagt, wobei sowohl Agentendynamik als auch heterogene Daten (z. B. semantische Karten) integriert werden. Trajectron++ ist speziell darauf ausgelegt, nahtlos in roboterorientierte Planungs- und Steuerungsframeworks integriert zu werden; beispielsweise können die Vorhersagen optional auf Bewegungspläne des eigenen Agenten (ego-agent) bedingt sein. Wir demonstrieren die Leistungsfähigkeit von Trajectron++ an mehreren anspruchsvollen Echtwelt-Datensätzen für Trajektorienprognose und zeigen, dass es eine Vielzahl von state-of-the-art-Methoden – sowohl deterministischer als auch generativer Art – übertrifft.