我们提出利用Transformer架构实现非自回归（non-autoregressive）的人体运动预测。与当前主流的基于RNN的方法依赖于先前预测结果进行逐步生成不同，我们的方法通过并行解码查询序列中的元素来生成运动序列，从而显著降低计算复杂度，并有效避免长序列中误差累积的问题。在此框架下，本文的贡献主要体现在四个方面：（i）将人体运动预测建模为序列到序列（sequence-to-sequence）问题，提出一种非自回归Transformer模型，实现姿态序列的并行推断；（ii）提出从预先生成的查询序列中解码三维姿态序列，该查询序列由输入序列中的元素构成；（iii）提出基于编码器记忆（encoder memory）进行骨骼结构驱动的动作分类，旨在通过识别动作类型来提升预测性能；（iv）实验表明，尽管模型结构简洁，但在两个公开数据集上均取得了具有竞争力的性能表现，尤其在短期预测任务中表现尤为突出，这一结果出人意料地优于长期预测。