La prédiction des trajectoires humaines est un problème intrinsèquement multi-modal. L’incertitude sur les trajectoires futures provient de deux sources : (a) des sources connues de l’agent mais inconnues du modèle, telles que les objectifs à long terme, et (b) des sources inconnues à la fois de l’agent et du modèle, telles que l’intention des autres agents ou le caractère irréductible du hasard dans les décisions. Nous proposons de factoriser cette incertitude en ses composantes épistémiques et aléatoires. Nous modélisons l’incertitude épistémique à travers la multi-modalité des objectifs à long terme, et l’incertitude aléatoire à travers la multi-modalité des points intermédiaires (waypoints) et des chemins. Pour illustrer cette distinction, nous introduisons également un nouveau cadre de prédiction de trajectoires à long terme, avec des horizons de prédiction pouvant atteindre une minute, soit une ordre de grandeur plus long que les travaux antérieurs. Enfin, nous présentons Y-net, un réseau de prédiction de trajectoires conforme au scénario, qui exploite la structure proposée en incertitude épistémique et aléatoire pour générer des trajectoires diversifiées sur de longs horizons de prédiction. Y-net améliore significativement les performances de l’état de l’art précédent, tant dans (a) les cadres bien étudiés à court horizon sur les jeux de données Stanford Drone et ETH/UCY, que dans (b) le nouveau cadre à long horizon sur les jeux de données Stanford Drone et Intersection Drone réaffectés.