Les travaux récents ont abordé la tâche d'estimation de la posture 3D monoculaire de manière très satisfaisante. Dans ces études, différentes personnes sont généralement traitées comme des instances de posture indépendantes à estimer. Cependant, dans de nombreuses situations quotidiennes, les gens interagissent et la posture d'un individu dépend de celle de ses interlocuteurs. Dans cet article, nous examinons comment exploiter cette dépendance pour améliorer les réseaux profonds actuels – et potentiellement futurs – pour l'estimation de la posture 3D monoculaire. Notre réseau d'interaction posturale, ou PI-Net, prend en entrée les estimations initiales de la posture d'un nombre variable d'interlocuteurs dans une architecture récurrente utilisée pour affiner la posture de la personne d'intérêt. L'évaluation d'une telle méthode est difficile en raison de la disponibilité limitée de jeux de données publics annotés sur la posture 3D multicellulaire. Nous démontrons l'efficacité de notre méthode dans le jeu de données MuPoTS, établissant un nouveau niveau d'excellence sur celui-ci. Les résultats qualitatifs sur d'autres jeux de données multicellulaires (pour lesquels la vérité terrain sur la posture 3D n'est pas disponible) mettent en valeur le PI-Net proposé. Le PI-Net est implémenté dans PyTorch et le code sera rendu disponible à l'acceptation du papier.