La prévision de trajectoires humaines dans des environnements où plusieurs agents interagissent socialement revêt une importance cruciale pour la navigation autonome dans des milieux humains, par exemple pour les véhicules autonomes ou les robots sociaux. Dans ce travail, nous proposons le modèle Predicted Endpoint Conditioned Network (PECNet), conçu pour une prévision flexible des trajectoires humaines. PECNet permet d’estimer les points d’arrivée des trajectoires à distance, ce qui facilite la prévision à long terme de trajectoires multi-modales. Un nouvel opérateur de pooling social non-local permet à PECNet de générer des trajectoires diverses tout en respectant les contraintes sociales. En outre, nous introduisons une simple « astuce de troncature » (truncation-trick) visant à améliorer les performances de la prévision multi-modale en peu d’exemples (few-shot). Nous démontrons que PECNet améliore significativement les performances de l’état de l’art sur le benchmark de prévision de trajectoires du Stanford Drone de ~20,9 % et sur le benchmark ETH/UCY de ~40,8 %. Page du projet : https://karttikeya.github.io/publication/htf/