Die präzise Vorhersage der zukünftigen Bewegung umgebender Fahrzeuge erfordert die Berücksichtigung der inhärenten Unsicherheit im Fahrverhalten. Diese Unsicherheit lässt sich grob in laterale (z. B. Spurhalten, Kurvenfahren) und longitudinale (z. B. Beschleunigen, Bremsen) Komponenten zerlegen. Wir präsentieren eine neuartige Methode, die gelernte diskrete Policy-Rollouts mit einem fokussierten Decoder kombiniert, der Teilmengen des Straßenbahngraphen nutzt. Die Policy-Rollouts erkunden verschiedene Ziele basierend auf aktuellen Beobachtungen und gewährleisten so, dass das Modell die laterale Variabilität erfasst. Die longitudinale Variabilität wird durch unseren latenten Variablen-Modell-Decoder erfasst, der auf verschiedenen Teilmengen des Straßenbahngraphen bedingt ist. Unser Modell erreicht eine state-of-the-art-Leistung auf dem nuScenes-Bewegungsvorhersagedatensatz und zeigt qualitativ hervorragende Übereinstimmung mit der Szene. Detaillierte Ablationsstudien unterstreichen die Bedeutung der Policy-Rollouts und der Decoder-Architektur.