La modélisation et la prédiction de la dynamique du mouvement humain constituent depuis longtemps un problème difficile en vision par ordinateur, et la plupart des méthodes existantes reposent sur une formation supervisée end-to-end de diverses architectures de réseaux de neurones récurrents. Inspirés par les récents succès des méthodes d'apprentissage par renforcement profond, nous proposons dans cet article une nouvelle formulation basée sur l'apprentissage par renforcement pour le problème de prédiction de la posture humaine, et développons un algorithme d'apprentissage par imitation pour prédire les postures futures dans ce cadre, combinant la clonage comportemental et l'apprentissage par imitation adversaire générique. Nos expériences montrent que la méthode proposée surpasser largement tous les modèles de référence les plus avancés existants sur la tâche de prédiction de posture humaine, tant pour les prédictions à court terme que pour les prédictions à long terme, tout en offrant un avantage considérable en vitesse d'entraînement.