La reconnaissance de lieux par LiDAR 3D vise à estimer une localisation grossière dans un environnement préalablement vu à partir d'un seul balayage effectué par un capteur LiDAR 3D rotatif. Les solutions existantes à ce problème incluent des descripteurs de nuages de points conçus manuellement (par exemple, ScanContext, M2DP, LiDAR IRIS) et des solutions basées sur l'apprentissage profond (par exemple, PointNetVLAD, PCAN, LPDNet, DAGC, MinkLoc3D), qui sont souvent évaluées uniquement sur des balayages 2D cumulés provenant du jeu de données Oxford RobotCar. Nous présentons MinkLoc3D-SI, une solution basée sur les convolutions creuses qui utilise les coordonnées sphériques des points 3D et traite l'intensité des mesures LiDAR 3D, améliorant ainsi les performances lorsque seul un balayage 3D LiDAR est utilisé. Notre méthode intègre les améliorations typiques des descripteurs conçus manuellement (comme ScanContext) avec les convolutions creuses 3D les plus efficaces (MinkLoc3D). Nos expériences montrent des résultats améliorés sur des balayages individuels provenant de LiDARs 3D (jeu de données USyd Campus) et une excellente capacité de généralisation (jeu de données KITTI). L'utilisation d'informations d'intensité sur des balayages 2D cumulés (jeu de données RobotCar Intensity) améliore également les performances, bien que la représentation sphérique n'apporte pas d'amélioration notable. En conséquence, MinkLoc3D-SI est adapté aux balayages individuels obtenus à partir d'un LiDAR 3D, ce qui le rend applicable dans les véhicules autonomes.