La compréhension sémantique temporelle des scènes est cruciale pour les voitures autonomes ou les robots opérant dans des environnements dynamiques. Dans cet article, nous proposons une segmentation panoptique LiDAR 4D pour attribuer une classe sémantique et un identifiant d'instance temporellement cohérent à une séquence de points 3D. À cette fin, nous présentons une approche ainsi qu'une métrique d'évaluation centrée sur les points. Notre méthode détermine une classe sémantique pour chaque point tout en modélisant les instances d'objets comme des distributions de probabilité dans le domaine spatio-temporel 4D. Nous traitons plusieurs nuages de points en parallèle et résolvons les associations point-à-instance, atténuant efficacement la nécessité d'une association de données temporelles explicite. Inspirés par les récentes avancées dans l'évaluation du suivi multi-objets, nous proposons d'adopter une nouvelle métrique d'évaluation qui sépare les aspects sémantiques et d'association point-à-instance de la tâche. Avec ce travail, nous visons à tracer la voie pour les développements futurs de la perception panoptique temporelle LiDAR.