Dans cet article, nous proposons un nouveau cadre pour la segmentation d'instances de nuages de points. Notre cadre se compose de deux étapes : une étape d'embedding et une étape de regroupement (clustering). Lors de l'étape d'embedding, notre apport principal réside dans la proposition d'un espace d'embedding probabiliste pour les nuages de points. Plus précisément, chaque point est représenté par une distribution normale trivariée. Lors de l'étape de clustering, nous proposons une nouvelle fonction de perte, qui bénéficie à la fois à la segmentation sémantique et au regroupement. Nos résultats expérimentaux montrent une amélioration significative par rapport aux méthodes de l'état de l'art, avec une augmentation de 3,1 % du mAP moyen par catégorie sur le jeu de données PartNet.