La reconnaissance des lieux joue un rôle essentiel dans les domaines de la conduite autonome et de la navigation robotique. Les méthodes basées sur les nuages de points se concentrent principalement sur l'extraction de descripteurs globaux à partir des caractéristiques locales des nuages de points. Bien que des résultats prometteurs aient été obtenus, les solutions existantes négligent les aspects suivants, qui peuvent entraîner une dégradation des performances : (1) d'importantes différences de taille entre les objets dans les scènes extérieures ; (2) des objets mobiles non pertinents pour la reconnaissance des lieux ; (3) des informations contextuelles à longue portée. Nous montrons que ces aspects posent des défis à l'extraction de descripteurs globaux discriminants. Pour atténuer ces problèmes, nous proposons une nouvelle méthode nommée TransLoc3D, qui utilise des champs récepteurs adaptatifs avec un schéma de réaffectation pondérée au niveau du point pour gérer les objets de différentes tailles tout en supprimant le bruit, ainsi qu'un transformateur externe pour capturer les dépendances de caractéristiques à longue portée. Contrairement aux architectures existantes qui adoptent des champs récepteurs fixes et limités, notre méthode bénéficie de champs récepteurs adaptatifs en fonction de la taille ainsi que d'informations contextuelles globales, et surpasse les méthodes actuelles avec d'importantes améliorations sur des jeux de données populaires.