Comprendre le comportement du mouvement humain constitue une tâche cruciale pour de nombreuses applications potentielles, telles que les véhicules autonomes ou les robots sociaux, et plus généralement pour tous les environnements où un agent autonome doit s'orienter dans un cadre centré sur l'humain. Cette tâche n'est pas aisée, car le mouvement humain est intrinsèquement multi-modal : étant donné un historique de trajectoires humaines, plusieurs scénarios plausibles existent quant aux mouvements futurs des individus. En outre, les activités humaines sont souvent motivées par des objectifs, par exemple atteindre des emplacements spécifiques ou interagir avec l'environnement. Nous abordons ces aspects en proposant un nouveau modèle génératif récurrent qui prend en compte à la fois les objectifs futurs des agents individuels et les interactions entre différents agents. Le modèle utilise un réseau de neurones à graphes à double attention afin de capturer les influences mutuelles entre agents et d'intégrer ces informations avec les données relatives aux objectifs futurs possibles des agents. Notre approche est suffisamment générale pour être appliquée à divers scénarios : elle atteint des résultats de pointe tant dans des environnements urbains que dans des applications sportives.