Le besoin d'une perception fine dans les systèmes de conduite autonome a conduit à une augmentation récente des recherches sur la segmentation sémantique en ligne de LiDAR mono-scan. Malgré l'émergence de nouveaux jeux de données et les progrès technologiques, cela reste un défi en raison de trois raisons : (1) la nécessité d'une latence quasi-réelle avec des ressources matérielles limitées ; (2) une distribution inégale ou même à queue longue des points LiDAR dans l'espace ; et (3) un nombre croissant de classes sémantiques extrêmement fines. Dans le but de relever conjointement tous ces défis, nous proposons un nouvel algorithme de segmentation spécifique au LiDAR et sans recherche du plus proche voisin - PolarNet. Au lieu d'utiliser des projections sphériques ou en vue du dessus courantes, notre représentation en vue du dessus polaire équilibre les points entre les cellules de grille dans un système de coordonnées polaires, alignant indirectement l'attention du réseau de segmentation avec la distribution à queue longue des points le long de l'axe radial. Nous constatons que notre schéma d'encodage augmente considérablement le mIoU dans trois jeux de données de segmentation radicalement différents issus de scannings LiDAR mono-scan urbains réels tout en maintenant un débit quasi-réel.