Die Vorhersage von Fußgängertrajektorien ist eine zentrale Aufgabe in robotischen Anwendungen wie autonomem Fahren und Roboternavigation. Moderne Trajektorienprädiktoren nutzen einen bedingten variationalen Autoencoder (CVAE) in Kombination mit rekurrenten neuronalen Netzen (RNNs), um beobachtete Trajektorien zu kodieren und mehrdeutige zukünftige Trajektorien zu decodieren. Dieser Prozess kann bei langen Vorhersagehorizonten (≥ 2 Sekunden) unter akkumulierten Fehlern leiden. In dieser Arbeit präsentieren wir BiTraP, eine zielgesteuerte, bidirektionale, mehrdeutige Trajektorienprädiktionsmethode basierend auf dem CVAE. BiTraP schätzt den Zielort (Endpunkt) von Trajektorien und führt einen neuartigen bidirektionalen Decoder ein, um die Genauigkeit der langfristigen Trajektorienprädiktion zu verbessern. Umfangreiche Experimente zeigen, dass BiTraP sowohl in First-Person-View (FPV)- als auch in Bird’s-Eye-View (BEV)-Szenarien generalisiert und die bisher besten Ergebnisse um ~10–50 % übertrifft. Zudem zeigen wir, dass die Wahl zwischen nichtparametrischen und parametrischen Zielmodellen im CVAE direkten Einfluss auf die vorhergesagten mehrdeutigen Trajektorienverteilungen hat. Diese Ergebnisse liefern wertvolle Anleitungen für die Gestaltung von Trajektorienprädiktoren in robotischen Anwendungen wie Kollisionsvermeidungssystemen und Navigationssystemen.