La prédiction de trajectoires de piétons est une tâche essentielle dans les applications robotiques telles que la conduite autonome et la navigation robotique. Les prédicteurs de trajectoires les plus avancés utilisent un auto-encodeur variationnel conditionnel (CVAE) combiné à des réseaux de neurones récurrents (RNN) pour encoder les trajectoires observées et décoder des trajectoires futures multi-modales. Ce processus peut souffrir d’erreurs cumulées sur de longues horizons de prédiction (≥ 2 secondes). Ce papier présente BiTraP, une méthode de prédiction bi-directionnelle multi-modale conditionnée par une destination, fondée sur le CVAE. BiTraP estime la destination (point d’arrivée) des trajectoires et introduit un nouveau décodeur bi-directionnel afin d’améliorer la précision de la prédiction à long terme. Des expériences étendues montrent que BiTraP se généralise à la fois aux scénarios en vue à première personne (FPV) et en vue d’oiseau (BEV), et dépasse les résultats de l’état de l’art de 10 à 50 %. Nous démontrons également que le choix entre modèles cibles non paramétriques et paramétriques dans le CVAE influence directement les distributions de trajectoires multi-modales prédites. Ces résultats fournissent des orientations précieuses pour la conception de prédicteurs de trajectoires dans des applications robotiques telles que l’évitement d’obstacles et les systèmes de navigation.