تُعد عملية التسمية الكثيفة للسحابات النقطية لـ LiDAR مكلفة، مما يحد من قابلية التوسع في الطرق القائمة على التعلم المراقب الكامل. في هذه الدراسة، نستكشف مجال التعلم شبه المراقب (SSL) في تقسيم السحابات النقطية لـ LiDAR، والذي لا يزال غير مستكشف بشكل كافٍ. تكمن الفكرة الأساسية لدينا في استغلال الإشارات المكانية القوية التي تتميز بها السحابات النقطية لـ LiDAR لاستغلال أفضل للبيانات غير المُعلَّمة. نقترح طريقة تُسمى LaserMix، والتي تُمزج فيها أشعة الليدر من مختلف عمليات المسح باستخدام LiDAR، ثم نشجع النموذج على إصدار تنبؤات متسقة وواثقة قبل وبعد عملية المزج. يتميز إطارنا بثلاث خصائص جذابة: 1) عام: لا يعتمد LaserMix على تمثيلات LiDAR المحددة (مثل الرؤية الحرفية أو الشبكة المكعبة)، وبالتالي يمكن تطبيق إطارنا شبه المراقب بشكل واسع. 2) مدعوم إحصائيًا: نقدم تحليلًا مفصلًا لشرح تطبيقية الإطار المقترح من منظور نظري. 3) فعّال: تُظهر التحليلات التجريبية الشاملة على مجموعات بيانات شهيرة لتقسيم LiDAR (مثل nuScenes و SemanticKITTI و ScribbleKITTI) كفاءة وتفوّقًا واضحين. بشكل ملحوظ، نحقق نتائج تنافسية مقارنة بالطرق المراقبة بالكامل، وباستخدام من 2 إلى 5 مرات أقل من العلامات، كما نحسن بشكل كبير من الأداء المبني على التعلم المراقب فقط بمتوسط 10.8%. نأمل أن يُسهم هذا الإطار الموجز ولكنه عالي الأداء في دفع عجلة الأبحاث المستقبلية في مجال تقسيم السحابات النقطية لـ LiDAR شبه المراقب. تم إتاحة الكود بشكل عام.