La prévision de la posture humaine en 3D à tout moment est essentielle pour une interaction synchrone entre humains et machines dans le monde réel, le terme « à tout moment » faisant référence à la prédiction de la posture humaine à tout instant réel à valeurs continues. Toutefois, à ce jour, toutes les méthodes existantes en prévision de posture humaine effectuent leurs prédictions à des intervalles temporels prédéfinis et discrets. Ainsi, nous introduisons AnyPose, une architecture neuronale légère conçue pour le temps continu, qui modélise la dynamique du comportement humain à l’aide d’équations différentielles ordinaires neuronales (neural ordinary differential equations, neural ODEs). Nous validons notre cadre sur les jeux de données Human3.6M, AMASS et 3DPW, et menons une série d’analyses approfondies visant à comparer notre méthode aux approches existantes, ainsi qu’à explorer l’intersection entre la posture humaine et les équations différentielles ordinaires neuronales. Nos résultats démontrent qu’AnyPose atteint une précision élevée dans la prédiction des postures futures tout en nécessitant un temps de calcul significativement inférieur aux méthodes traditionnelles pour résoudre des tâches de prédiction à tout moment.