Cet article présente une méthode de haute qualité pour la prédiction du mouvement humain, capable de prévoir avec précision les poses futures à partir de poses observées. Notre approche repose sur l’observation selon laquelle une bonne estimation initiale des poses futures est particulièrement utile pour améliorer la précision de la prédiction. Cela nous a motivés à proposer un nouveau cadre en deux étapes : un réseau d’estimation initiale (init-prediction network) qui calcule simplement cette bonne estimation, suivi d’un réseau de prédiction formelle (formal-prediction network) qui prédit les poses futures cibles à partir de cette estimation. Plus important encore, nous étendons cette idée en concevant un cadre multi-étapes, où chaque étape produit une estimation initiale pour l’étape suivante, ce qui permet d’obtenir des gains supplémentaires en performance. Pour réaliser la tâche de prédiction à chaque étape, nous proposons un réseau composé de réseaux de convolution par graphe dense spatiale (S-DGCN) et de réseaux de convolution par graphe dense temporelle (T-DGCN). L’exécution alternée de ces deux réseaux permet d’extraire efficacement des caractéristiques spatio-temporelles sur le champ réceptif global de toute la séquence de poses. Toutes ces décisions de conception, combinées entre elles, font que notre méthode surpasser largement les approches antérieures : une amélioration de 6 à 7 % sur Human3.6M, de 5 à 10 % sur CMU-MoCap, et de 13 à 16 % sur 3DPW.