Zielbedingte Ansätze haben sich in letzter Zeit als äußerst nützlich für die Vorhersage menschlicher Trajektorien erwiesen, sofern ausreichend genaue Zielvorhersagen bereitgestellt werden. Die Zielinferenz ist jedoch selbst eine anspruchsvolle Aufgabe und erfordert oft zusätzlichen Lernaufwand. Wir schlagen vor, Fußgängertrajektorien durch die Anleitung von Zielkompetenzen vorherzusagen, die mit geringem Aufwand durch einen neuartigen Ziel-Suchmechanismus auf bereits bekannten Trainingsbeispielen erlangt werden können. Unser Beitrag umfasst drei zentrale Innovationen. Erstens entwickeln wir einen Rahmen, der die nächstgelegenen Beispiele für eine qualitativ hochwertige Zielpositionsschätzung nutzt. Dieser Ansatz berücksichtigt naturgemäß Mehrdeutigkeit, physische Einschränkungen, Kompatibilität mit bestehenden Methoden und ist modellfrei; er erfordert daher keine zusätzlichen Lernprozesse, wie sie typischerweise bei der Zielinferenz notwendig sind. Zweitens präsentieren wir einen end-to-end-Trajektorienvorhersager, der Zielabfragen effizient mit vergangenen Bewegungsinformationen verknüpfen und dynamisch mögliche zukünftige Trajektorien ableiten kann. Drittens verfügen wir mit diesen beiden neuartigen Techniken über die Basis, um eine Reihe von Experimenten auf zwei weit verbreiteten Datensätzen (SDD und ETH/UCY) durchzuführen. Die Ergebnisse zeigen, dass unsere Methode die bisherigen State-of-the-Art-Leistungen deutlich übertrifft und gleichzeitig den Bedarf an zusätzlichen Parametern reduziert.