Ce travail propose une nouvelle approche pour prédire le mouvement des piétons en interaction avec d'autres. Il utilise un réseau génératif antagoniste (Generative Adversarial Network, GAN) pour échantillonner des prédictions plausibles pour chaque agent dans la scène. Étant donné que les GANs sont très sensibles au collapse de mode et à l'omission de mode, nous démontrons que l'Info-GAN récemment proposé permet des améliorations considérables dans la prédiction multimodale des trajectoires de piétons, évitant ainsi ces problèmes. Contrairement à certaines études précédentes, nous avons omis la perte L2 lors de l'entraînement du générateur, car elle provoque un collapse de mode sévère bien qu'elle accélère la convergence.Nous montrons par des expériences sur des données réelles et synthétiques que la méthode proposée permet de générer des échantillons plus diversifiés et de préserver les modes de la distribution prédictive. Pour étayer cette affirmation, nous avons conçu un ensemble de données d'exemple simplifié comprenant des trajectoires qui peuvent être utilisées pour évaluer les performances des différentes méthodes en termes de préservation des modes de la distribution prédictive.