Die Vorhersage der Bewegung von Agenten wie Fußgängern oder menschlich gesteuerten Fahrzeugen stellt eine der zentralen Herausforderungen im Bereich des autonomen Fahrens dar. Die Gesamtsicherheit des Fahrzeugs und der Komfort der Insassen hängen direkt von einer erfolgreichen Lösung dieses Problems ab. Das Problem der Bewegungsvorhersage bleibt auch weiterhin eines der schwierigsten in der Ingenieurwissenschaft des autonomen Fahrens, vor allem aufgrund der hohen Varianz möglicher zukünftiger Verhaltensweisen eines Agenten unter gegebenen Bedingungen. Diese Varianz wird durch zwei Phänomene verursacht: die Multimodalität, die aus der Unsicherheit bezüglich des Intentionsverhaltens des Agenten resultiert (z. B. Rechtsabbiegen oder Geradeausfahren), sowie die Unsicherheit bezüglich der konkreten Realisierung eines gegebenen Intents (z. B. in welche Spur abbiegen). Um in einer Echtzeit-Autonomie-Steuerkette nutzbar zu sein, muss ein Bewegungsvorhersagesystem effiziente Methoden bereitstellen, um diese Unsicherheit zu beschreiben und zu quantifizieren – beispielsweise durch die Berechnung von Posterior-Modi und deren Wahrscheinlichkeiten oder durch die Schätzung der Dichte an einem Punkt, der einer bestimmten Trajektorie entspricht. Zudem darf das System keine erhebliche Dichte auf physikalisch unmögliche Trajektorien legen, da solche Vorhersagen das darauf folgende System verwirren könnten. In diesem Artikel stellen wir die PRANK-Methode vor, die diese Anforderungen erfüllt. PRANK nimmt rasterisierte Top-Down-Bilder der Umgebung des Agenten als Eingabe und extrahiert mit einem konvolutionellen neuronalen Netzwerk Merkmale der Szene. Anschließend generiert es die bedingte Verteilung von Trajektorien, die im gegebenen Szenario plausibel sind. Der zentrale Beitrag von PRANK besteht in einer Methode zur Darstellung dieser Verteilung mittels Nearest-Neighbor-Verfahren im latenten Trajektorienraum, was eine effiziente Echtzeit-Inferenz ermöglicht. Wir evaluieren PRANK anhand der in-house-Daten sowie der Argoverse-Datenbank, wo sie wettbewerbsfähige Ergebnisse erzielt.