Predecir la trayectoria de otros usuarios de la carretera, especialmente de los usuarios vulnerables de la carretera (VRUs), es un aspecto importante de la seguridad y la eficiencia en la planificación para los vehículos autónomos. Con los recientes avances en enfoques basados en Deep Learning en este campo, los métodos basados en física y en Machine Learning clásico no pueden exhibir resultados competitivos en comparación con los anteriores. Por lo tanto, este documento proporciona una revisión extensa de los métodos recientes basados en Deep Learning en la predicción de trayectorias para VRUs y la conducción autónoma en general. Revisamos las representaciones del estado y del contexto, así como las ideas arquitectónicas de los métodos seleccionados, divididos en categorías según su esquema de predicción principal. Además, resumimos los resultados reportados en conjuntos de datos populares para todos los métodos presentados en esta revisión. Los resultados muestran que los autoencoders variacionales condicionales logran los mejores resultados generales tanto en conjuntos de datos de peatones como de conducción autónoma. Finalmente, esbozamos posibles direcciones de investigación futura para el campo de la predicción de trayectorias en la conducción autónoma.