Les approches conditionnées à un objectif se sont révélées récemment très utiles pour la prédiction des trajectoires humaines, à condition de disposer d’estimations d’objectif adéquates. Toutefois, l’inférence de l’objectif est elle-même un défi, souvent entraînant des efforts d’apprentissage supplémentaires. Nous proposons de prédire les trajectoires des piétons grâce à une expertise en matière d’objectif, obtenue à faible coût grâce à un nouveau mécanisme de recherche d’objectif basé sur des exemples d’apprentissage déjà rencontrés. Notre étude présente trois contributions majeures. Premièrement, nous proposons un cadre exploitant les exemples les plus proches pour une interrogation de haute qualité sur la position de l’objectif. Cette approche prend naturellement en compte la multi-modalité, les contraintes physiques, la compatibilité avec les méthodes existantes, et est indépendante du modèle ; elle ne nécessite donc pas d’efforts d’apprentissage supplémentaires typiques des méthodes d’inférence d’objectif. Deuxièmement, nous introduisons un prédicteur de trajectoires end-to-end capable d’associer efficacement les récupérations d’objectif aux informations de mouvement passées et d’inférer dynamiquement les trajectoires futures possibles. Troisièmement, grâce à ces deux techniques innovantes, nous menons une série d’expériences sur deux jeux de données largement étudiés (SDD et ETH/UCY), et démontrons que notre approche dépasse significativement les performances précédentes de l’état de l’art, tout en réduisant le besoin de paramètres supplémentaires.