Les véhicules autonomes évoluent dans des environnements hautement dynamiques, ce qui exige une évaluation précise des éléments d’une scène qui se déplacent ainsi que de leur direction de mouvement. Une approche courante pour l’estimation du mouvement 3D, appelée « scene flow », consiste à utiliser des nuages de points 3D issus de scans LiDAR successifs. Toutefois, ces méthodes ont été limitées par la taille réduite des jeux de données réels annotés LiDAR. Dans ce travail, nous introduisons un nouveau jeu de données à grande échelle pour l’estimation du scene flow, dérivé d’objets 3D suivis, dont la taille est d’environ 1 000 fois supérieure à celle des précédents jeux de données réels en termes de nombre de trames annotées. Nous démontrons comment les travaux antérieurs étaient contraints par la quantité de données LiDAR réelles disponibles, suggérant que des jeux de données plus volumineux sont nécessaires pour atteindre des performances prédictives de pointe. En outre, nous montrons que les heuristiques courantes d’application sur les nuages de points, telles que le sous-échantillonnage, dégradent fortement les performances, ce qui motive le développement d’une nouvelle classe de modèles capables de traiter efficacement les nuages de points complets. Pour répondre à ce défi, nous proposons l’architecture FastFlow3D, qui permet une inférence en temps réel sur les nuages de points complets. En outre, nous concevons des métriques interprétables par l’humain, qui capturent mieux les aspects du monde réel en tenant compte du mouvement du véhicule (ego-motion) et en fournissant des évaluations par type d’objet. Nous espérons que ce jeu de données ouvrira de nouvelles perspectives pour le développement de systèmes de scene flow opérant dans des environnements réels.