人間の行動予測は、運動計画において困難かつ重要なタスクであり、自動運転などの現実世界の領域では、予測結果が極めて不確実で多モーダル（多様な可能性）であるため、特に挑戦が伴う。単一のMAP（最尤）軌道予測を越えて、将来の状態に対する正確な確率分布を獲得することは、近年活発な研究テーマとなっている。本研究では、軌道分布の各モードに対応する固定された未来状態シーケンスのアンカー（基準点）を活用する「MultiPath」を提案する。推論段階では、モデルはこれらのアンカーに対する離散的な確率分布を予測し、各アンカーについて、アンカーのウェイポイントからのオフセットと不確実性を回帰することで、各時刻ごとにガウス混合モデル（Gaussian Mixture Model）を構成する。本モデルは効率的であり、マルチモーダルな将来分布を取得するため、単一の順伝播（forward inference）で十分であり、出力はパラメトリックな形で表現されるため、通信の圧縮性が高く、解析的な確率的クエリの実行も可能である。複数のデータセットにおける実験結果から、本モデルがより高精度な予測を達成できることを示し、サンプリングベースのベースラインと比較して、軌道数が1桁程度少ない状態で同等以上の性能を発揮することを確認した。