Punktewolken bieten eine flexible und natürliche Darstellung, die in zahlreichen Anwendungen wie Robotik oder autonomem Fahren eingesetzt werden kann. Kürzlich haben tiefgreifende neuronale Netze, die auf rohen Punktewolken-Daten operieren, vielversprechende Ergebnisse bei überwachten Lernaufgaben wie Objektklassifikation und semantischer Segmentierung gezeigt. Obwohl moderne Scantechnologien große Punktewolken-Datensätze erfassen können, ist das manuelle Beschriften solcher umfangreichen 3D-Punktewolken für überwachte Lernaufgaben ein mühsamer Prozess. Dies erfordert Methoden, die aus unbeschrifteten Daten lernen können, um die Anzahl der annotierten Stichproben in überwachten Lernaufgaben erheblich zu reduzieren. Wir schlagen eine selbstüberwachte Lernaufgabe für tiefes Lernen auf rohen Punktewolken-Daten vor, bei der ein neuronales Netz trainiert wird, Punktewolken zu rekonstruieren, deren Teile zufällig neu angeordnet wurden. Während dieser Aufgabe gelöst wird, werden Darstellungen gelernt, die semantische Eigenschaften der Punktewolke erfassen. Unsere Methode ist architekturagnostisch und übertrifft aktuelle unüberwachte Lernansätze in nachgeschalteten Objektklassifikationsaufgaben. Experimentell zeigen wir, dass das Vortrainieren mit unserer Methode vor dem überwachten Training die Leistung von Stand-of-the-Art-Modellen verbessert und die Stichprobeneffizienz erheblich steigert.