La modélisation du mouvement humain constitue un prérequis essentiel à la navigation robotique sûre et consciente des interactions sociales. En conséquence, la prédiction du comportement multi-agents est devenue une composante centrale des systèmes modernes d’interaction homme-robot, tels que les véhicules autonomes. Bien qu’un grand nombre de méthodes existent pour la prévision de trajectoires, la plupart ne prennent pas en compte les contraintes dynamiques ni l’information environnementale (par exemple, les cartes). À cet effet, nous présentons Trajectron++, un modèle récurrent structuré en graphe, modulaire et capable de prédire les trajectoires d’un nombre général et diversifié d’agents tout en intégrant les dynamiques des agents et des données hétérogènes (par exemple, cartes sémantiques). Trajectron++ est conçu pour s’intégrer étroitement aux cadres de planification et de contrôle robotiques ; par exemple, il peut générer des prédictions conditionnelles aux plans de mouvement de l’agent principal (ego-agent). Nous démontrons ses performances sur plusieurs jeux de données réels exigeants pour la prévision de trajectoires, surpassant une large gamme de méthodes déterministes et génératives de pointe.