Les progrès récents dans la prédiction stochastique du mouvement — c’est-à-dire la prévision de plusieurs mouvements futurs possibles à partir d’une seule séquence de poses passées — ont permis de générer des mouvements futurs véritablement diversifiés, voire de contrôler le mouvement de certaines parties du corps. Toutefois, pour atteindre ces résultats, les méthodes de pointe nécessitent l’apprentissage de plusieurs applications distinctes pour assurer la diversité, ainsi qu’un modèle dédié pour la prédiction contrôlable du mouvement. Dans cet article, nous proposons un réseau génératif profond unifié pour la prédiction à la fois diversifiée et contrôlable du mouvement. À cette fin, nous exploitons l’intuition selon laquelle les mouvements humains réalistes sont constitués de séquences fluides de poses valides, et que, face à des données limitées, l’apprentissage d’un prior sur les poses est bien plus abordable que celui d’un prior sur les mouvements. Nous concevons donc un générateur qui prédit le mouvement des différentes parties du corps de manière séquentielle, tout en introduisant un prior sur les poses basé sur un flot normalisateur, combiné à une perte sur les angles articulaires, afin d’assurer la réalisme du mouvement. Nos expérimentations sur deux jeux de données standards, Human3.6M et HumanEva-I, montrent que notre approche surpasser les états de l’art en termes à la fois de diversité des échantillons et de précision. Le code est disponible à l’adresse suivante : https://github.com/wei-mao-2019/gsps