Die präzise Vorhersage der menschlichen Körperhaltung zu jedem beliebigen Zeitpunkt – sogenannte „Anytime“-3D-Human-Pose-Vorhersage – ist entscheidend für die synchrone Interaktion zwischen Mensch und Maschine in der realen Welt, wobei der Begriff „Anytime“ auf die Vorhersage der Körperhaltung zu beliebigen, reellen Zeitpunkten verweist. Bislang existieren jedoch, soweit uns bekannt ist, alle etablierten Methoden zur menschlichen Haltungsprognose nur für vordefinierte, diskrete Zeitintervalle. Daher stellen wir AnyPose vor, eine leichte, kontinuierliche Zeit-Neural-Architektur, die das dynamische Verhalten menschlicher Bewegungen mittels neuronalen gewöhnlichen Differentialgleichungen (neural ordinary differential equations, neural ODEs) modelliert. Wir validieren unser Framework anhand der Datensätze Human3.6M, AMASS und 3DPW und führen eine umfassende Analyse durch, um den Vergleich mit bestehenden Methoden sowie die Schnittmenge zwischen menschlicher Haltung und neuronalen ODEs zu untersuchen. Unsere Ergebnisse zeigen, dass AnyPose eine hohe Vorhersagegenauigkeit bei der Prognose zukünftiger Körperhaltungen aufweist und im Vergleich zu herkömmlichen Ansätzen bei anytime-Vorhersageaufgaben signifikant geringere Rechenzeiten benötigt.