أدى التقدم الأخير في توقع الحركة العشوائية، أي توقع عدة حركات مستقبلية محتملة للإنسان بناءً على تسلسل موضع سابق واحد، إلى إنتاج حركات مستقبلية حقيقية متنوعة، بل وحتى توفير التحكم في حركة بعض أجزاء الجسم. ومع ذلك، لتحقيق هذا، تتطلب الطريقة المتطورة حاليًا تعلّم عدة تطبيقات لضمان التنوّع، بالإضافة إلى نموذج مخصص لتوقع الحركة القابلة للتحكم. في هذه الورقة، نقدّم شبكة عميقة مُولِّدة موحدة لتنبؤ الحركة المتنوعة والقابلة للتحكم. لتحقيق ذلك، نستفيد من الفكرة القائلة بأن الحركات البشرية الواقعية تتكون من تسلسلات سلسة من المواقف الصالحة، وأنه بالنظر إلى كمية محدودة من البيانات، فإن تعلّم مُسبّق للمواقف يكون أكثر سهولة من تعلّم مُسبّق للحركة. ولهذا السبب، نصمم مُولّدًا يتوقع حركة أجزاء الجسم المختلفة تباعًا، ونُقدّم مُسبّقًا للمواقف يعتمد على تدفق معياري (normalizing flow)، جنبًا إلى جنب مع خسارة للزوايا المشتركة، لتحقيق واقعية الحركة. تُظهر التجارب التي أجريت على مجموعتي بيانات معياريتين، وهما Human3.6M وHumanEva-I، أن منهجنا يتفوّق على النماذج القياسية في مجالات تنوع العينات والدقة. يُمكن الوصول إلى الشفرة عبر الرابط: https://github.com/wei-mao-2019/gsps