La détection précise d’objets dans des nuages de points 3D constitue un problème central dans de nombreuses applications, telles que la navigation autonome, les robots ménagers ou encore la réalité augmentée/virtuelle. Pour interconnecter un nuage de points LiDAR fortement éparse avec un réseau de propositions de régions (RPN), la plupart des approches existantes se sont concentrées sur des représentations de caractéristiques conçues manuellement, par exemple une projection vue de dessus (bird’s eye view). Dans ce travail, nous éliminons le besoin d’ingénierie manuelle des caractéristiques pour les nuages de points 3D et proposons VoxelNet, un réseau générique de détection 3D qui intègre de manière unifiée l’extraction de caractéristiques et la prédiction de boîtes englobantes dans un seul stade, sous la forme d’un réseau profond entraînable de bout en bout. Plus précisément, VoxelNet divise un nuage de points en voxels 3D régulièrement espacés, puis transforme un groupe de points appartenant à chaque voxel en une représentation de caractéristiques unifiée grâce à une nouvelle couche d’encodage des caractéristiques de voxel (VFE). Ainsi, le nuage de points est encodé sous la forme d’une représentation volumétrique descriptive, qui est ensuite connectée à un RPN afin de générer les détections. Des expériences sur le benchmark de détection de voitures KITTI montrent que VoxelNet surpasse de manière significative les méthodes les plus avancées basées sur LiDAR pour la détection 3D. En outre, notre réseau apprend une représentation discriminante efficace des objets aux géométries variées, conduisant à des résultats prometteurs pour la détection 3D de piétons et de cyclistes, uniquement à partir de données LiDAR.