Die Vorhersage menschlicher Trajektorien in Umgebungen mit mehreren sozial interagierenden Agenten ist von entscheidender Bedeutung für die autonome Navigation in menschlichen Umwelten, beispielsweise für selbstfahrende Fahrzeuge und soziale Roboter. In dieser Arbeit präsentieren wir das Predicted Endpoint Conditioned Network (PECNet) für eine flexible Vorhersage menschlicher Trajektorien. PECNet schätzt entfernte Endpunkte der Trajektorien, um die langfristige, mehrmodale Trajektorienvorhersage zu unterstützen. Ein neuartiger nicht-lokaler sozialer Pooling-Layer ermöglicht es PECNet, vielfältige, jedoch sozial konsistente Trajektorien abzuleiten. Zudem stellen wir einen einfachen „Truncation-Trick“ vor, der die Leistung bei der Few-Shot-mehrmodalen Trajektorienvorhersage verbessert. Wir zeigen, dass PECNet die bisher beste Leistung auf dem Stanford Drone-Benchmark um etwa 20,9 % und auf dem ETH/UCY-Benchmark um etwa 40,8 % übertrifft. Projekt-Homepage: https://karttikeya.github.io/publication/htf/