La prédiction du mouvement d’agents tels que les piétons ou les véhicules conduits par des humains constitue l’un des problèmes les plus cruciaux dans le domaine de la conduite autonome. La sécurité globale de la conduite et le confort du passager dépendent directement de sa résolution efficace. Ce problème de prédiction demeure également l’un des plus complexes en ingénierie de la conduite autonome, principalement en raison de la forte variabilité du comportement futur possible d’un agent face à une situation donnée. Deux phénomènes sont à l’origine de cette variabilité : la multimodalité résultant de l’incertitude concernant l’intention de l’agent (par exemple, tourner à droite ou continuer tout droit), et l’incertitude dans la réalisation d’une intention donnée (par exemple, quelle voie emprunter lors d’un virage). Pour être utile dans un pipeline de conduite autonome en temps réel, un système de prédiction du mouvement doit fournir des méthodes efficaces pour décrire et quantifier cette incertitude, telles que le calcul des modes a posteriori et de leurs probabilités, ou l’estimation de la densité en un point correspondant à une trajectoire donnée. Il doit également éviter de placer une densité significative sur des trajectoires physiquement impossibles, car celles-ci pourraient induire en erreur le système chargé de traiter les prédictions. Dans cet article, nous introduisons la méthode PRANK, qui répond à ces exigences. PRANK prend en entrée des images en vue d’oiseau rasterisées du environnement immédiat de l’agent, extrait les caractéristiques de la scène à l’aide d’un réseau neuronal convolutif, puis produit une distribution conditionnelle des trajectoires plausibles pour l’agent dans la situation donnée. La contribution principale de PRANK réside dans une méthode de représentation de cette distribution à l’aide de méthodes des plus proches voisins dans un espace latent des trajectoires, permettant une inférence efficace en temps réel. Nous évaluons PRANK sur les jeux de données internes et Argoverse, où elle obtient des résultats compétitifs.