La predicción de trayectorias en escenarios urbanos es fundamental para los sistemas de conducción automatizada de alto nivel. Sin embargo, esta tarea está asociada con muchos desafíos. Por un lado, una escena típicamente incluye diferentes participantes del tráfico, como vehículos, autobuses, peatones y ciclistas, que pueden comportarse de manera diferente. Por otro lado, un agente puede tener múltiples trayectorias futuras plausibles basadas en interacciones complejas con los otros agentes. Para abordar estos desafíos, proponemos un método de predicción de trayectorias multiagente y multimodal basado en redes neuronales, que codifica información de movimiento pasado, contexto de grupo y contexto de carretera para estimar trayectorias futuras aprendiendo de las interacciones de los agentes. En el momento de la inferencia, se predicen múltiples trayectorias futuras realistas. Nuestra solución se basa en una arquitectura codificador-decodificador que puede manejar un número variable de participantes de tráfico. Utiliza vectores de características de agentes como entradas en lugar de imágenes, y está diseñado para funcionar en un automóvil autónomo físico, abordando los requisitos de operación en tiempo real. Evaluamos el método utilizando el conjunto de datos inD para cada tipo de participante de tráfico y proporcionamos información sobre su integración en un automóvil autónomo real.