Le comportement des piétons résulte d'une combinaison d'objectifs individuels et d'interactions sociales avec d'autres agents. Dans cet article, nous présentons une architecture de réseau de neurones récurrents asymétrique, appelée U-RNN, destinée à encoder les trajectoires des piétons et à évaluer sa pertinence en tant que substitut aux LSTMs dans divers modèles de prédiction. Les résultats expérimentaux obtenus sur le benchmark Trajnet++ montrent que la variante U-LSTM obtient de meilleurs résultats sur l'ensemble des métriques disponibles (ADE, FDE, taux de collision) par rapport aux encodeurs de trajectoires classiques, pour une large variété d'approches et de modules d'interaction. Ces résultats suggèrent que l'approche proposée constitue une alternative viable aux réseaux RNN d'encodage de séquences de facto. Notre implémentation des Bi-RNN asymétriques pour le benchmark Trajnet++ est disponible à l'adresse suivante : github.com/JosephGesnouin/Asymmetrical-Bi-RNNs-to-encode-pedestrian-trajectories