Prédire le mouvement futur des usagers de la route est essentiel pour les véhicules autonomes, mais demeure extrêmement difficile en raison de l’incertitude considérable liée au mouvement. Récemment, la plupart des méthodes de prédiction du mouvement adoptent une stratégie basée sur l’objectif, c’est-à-dire prédire les points finaux des trajectoires comme conditions pour régresser l’ensemble des trajectoires, afin de réduire l’espace de recherche des solutions. Toutefois, la prédiction et l’évaluation précises des coordonnées de l’objectif sont difficiles à réaliser. En outre, la représentation ponctuelle du point d’arrivée limite l’exploitation d’un contexte routier riche, ce qui entraîne des résultats de prédiction inexactes dans de nombreux cas. L’aire cible — c’est-à-dire la zone de destination possible — plutôt que les coordonnées exactes de l’objectif, pourrait offrir une contrainte plus souple pour la recherche de trajectoires potentielles, en intégrant une plus grande tolérance et une meilleure guidance. À cet égard, nous proposons un nouveau cadre basé sur l’aire cible, nommé Goal Area Network (GANet), pour la prédiction du mouvement, qui modélise les aires cibles plutôt que les coordonnées exactes de l’objectif comme conditions préalables à la prédiction des trajectoires, permettant ainsi une prédiction plus robuste et plus précise. Plus précisément, nous introduisons un opérateur GoICrop (Goal Area of Interest) pour extraire efficacement les caractéristiques sémantiques des voies dans les aires cibles et modéliser les interactions futures des agents, ce qui apporte un avantage significatif à l’estimation des trajectoires futures. GANet se classe en tête du classement du défi Argoverse parmi toutes les publications publiques (au moment de la soumission du manuscrit), et le code source sera bientôt mis à disposition.