Nous proposons une nouvelle méthode ascendante pour l'estimation de la posture 2D de plusieurs personnes, particulièrement adaptée aux applications de mobilité urbaine telles que les voitures autonomes et les robots de livraison. Cette nouvelle méthode, appelée PifPaf, utilise un champ d'intensité des parties (Part Intensity Field, PIF) pour localiser les parties du corps et un champ d'association des parties (Part Association Field, PAF) pour associer ces parties entre elles afin de former des postures humaines complètes. Notre méthode surpassent les méthodes précédentes à faible résolution et dans des scènes bondées, encombrées ou avec occultation grâce : (i) à notre nouveau champ composite PAF encodant des informations fines et (ii) au choix de la perte de Laplace pour les régressions, qui intègre une notion d'incertitude. Notre architecture repose sur un design entièrement convolutif, mono-étape et sans boîte englobante. Nous obtenons des performances comparables à celles de la méthode ascendante actuelle de pointe sur la tâche standard de détection des points clés COCO et produisons des résultats de pointe sur une tâche modifiée de détection des points clés COCO adaptée au domaine du transport.