La compréhension du comportement de mouvement humain est cruciale pour les plates-formes mobiles autonomes (comme les voitures autonomes et les robots sociaux) afin qu'elles puissent naviguer dans des environnements centrés sur l'humain. Ce défi est complexe car le mouvement humain est intrinsèquement multimodal : étant donné une histoire de trajectoires de mouvement humain, il existe de nombreuses façons socialement plausibles dont les personnes pourraient se déplacer à l'avenir. Nous abordons ce problème en combinant des outils issus de la prédiction de séquences et des réseaux adversariaux génératifs : un modèle récurrent sequence-to-sequence observe les historiques de mouvement et prédit le comportement futur, en utilisant un nouveau mécanisme de pooling pour agréger les informations entre les individus. Nous prédisons des futurs socialement plausibles en formant notre modèle de manière antagoniste contre un discriminateur récurrent, et nous favorisons des prédictions diversifiées grâce à une nouvelle perte de variété. À travers des expériences menées sur plusieurs jeux de données, nous démontrons que notre approche surpassent les travaux antérieurs en termes de précision, de variété, d'évitement des collisions et de complexité computationnelle.