Récemment, la reconnaissance d’actions humaines basée sur les squelettes a attiré une attention croissante de la part de diverses communautés de recherche, en raison de la disponibilité des capteurs de profondeur et des algorithmes en temps réel pour l’estimation 3D des squelettes à partir de données de profondeur. Dans ce travail, nous utilisons des cartes roulantes (rolling maps) pour reconnaître les actions humaines à partir de données squelettiques 3D. La carte roulante est un concept mathématique bien défini qui n’a pas encore été largement exploré par la communauté du traitement d’images. Premièrement, nous représentons chaque squelette à l’aide des rotations 3D relatives entre les différentes parties du corps. Étant donné que les rotations 3D appartiennent au groupe orthogonal spécial SO3, notre représentation squelettique devient un point dans le groupe de Lie SO3 × ... × SO3, qui est également une variété riemannienne. Ensuite, à partir de cette représentation, nous modélisons les actions humaines comme des courbes dans ce groupe de Lie. Étant donné que la classification de telles courbes dans un espace non euclidien est une tâche difficile, nous déroulons (unwrap) les courbes d’action sur l’algèbre de Lie so3 × ... × so3 (qui est un espace vectoriel) en combinant la carte logarithme avec les cartes roulantes, puis effectuons la classification dans l’algèbre de Lie. Les résultats expérimentaux sur trois jeux de données d’actions montrent que l’approche proposée obtient des performances équivalentes ou supérieures à celles des méthodes de pointe.