L'estimation de la posture 3D humaine constitue un problème fondamental en intelligence artificielle, avec des applications étendues dans les domaines de la réalité augmentée (AR), de la réalité virtuelle (VR), de l'interaction homme-machine (HCI) et de la robotique. Toutefois, l'estimation de la posture à partir de nuages de points reste affectée par des points bruités et des artefacts de tremblement (jitter) dus aux stratégies de discrétisation des nuages de points basées sur des méthodes manuelles et aux approches d'estimation reposant sur une seule trame. Dans cet article, nous proposons une nouvelle approche pour l'estimation de la posture 3D humaine à partir de séquences de nuages de points. Pour extraire efficacement des nuages de points pertinents à partir des données d'entrée, nous concevons une méthode de discrétisation différentiable fondée sur un mécanisme d'attention guidée par la densité. Afin de réduire le tremblement caractéristique des méthodes d'estimation précédentes, nous exploitons l'information temporelle afin d'obtenir des résultats plus stables. Les expériences menées sur les jeux de données ITOP et NTU-RGBD démontrent que chacun des composants proposés est effectivement pertinent, et que notre méthode atteint des performances de pointe (state-of-the-art).