Prédire avec précision le mouvement futur des véhicules environnants nécessite de raisonner sur l'incertitude inhérente au comportement de conduite. Cette incertitude peut être approximativement décomposée en composantes latérales (par exemple, maintien de file, virages) et longitudinales (par exemple, accélération, freinage). Nous proposons une méthode novatrice qui combine des trajectoires de politique discrète apprises avec un décodeur ciblé sur des sous-ensembles du graphe de chaussée. Les trajectoires de politique explorent différents objectifs à partir des observations actuelles, garantissant que le modèle capte la variabilité latérale. La variabilité longitudinale est capturée par notre décodeur basé sur un modèle à variables latentes, conditionné sur divers sous-ensembles du graphe de chaussée. Notre modèle atteint des performances de pointe sur le jeu de données nuScenes pour la prédiction du mouvement, et démontre qualitativement une excellente conformité aux scènes. Des analyses détaillées mettent en évidence l'importance des trajectoires de politique ainsi que de l'architecture du décodeur.