激光雷达（LiDAR）分割已成为高级自动驾驶系统中的关键组成部分。近年来，基于范围视图（range-view）的LiDAR分割方法在实时处理方面展现出巨大潜力。然而，这类方法不可避免地面临上下文信息受损的问题，并严重依赖后处理技术来优化预测结果。为此，本文提出FRNet——一种简单而高效的方法，旨在通过对应棱锥体（frustum）LiDAR点来恢复范围图像像素的上下文信息。首先，引入一个棱锥体特征编码模块，用于提取棱锥区域内每个点的特征，该设计有效保持了场景的一致性，对点级预测至关重要。其次，设计了一个棱锥点融合模块，以分层方式更新每个点的特征，使各点能够通过棱锥体特征获取更丰富的周围上下文信息。最后，采用头部融合模块对多层级特征进行融合，实现最终的语义分割预测。在四个主流LiDAR分割基准数据集上，针对多种任务设置的大量实验验证了FRNet的优越性能。值得注意的是，FRNet在SemanticKITTI和nuScenes测试集上分别取得了73.3%和82.5%的mIoU（平均交并比）得分。在达到与当前先进方法相当甚至更优性能的同时，FRNet的运行速度比现有最先进方法快约5倍。这一显著的高效性为更可扩展的LiDAR分割应用开辟了新的可能性。相关代码已公开发布于：https://github.com/Xiangxu-0103/FRNet。