L’annotation dense des nuages de points LiDAR reste trop coûteuse et chronophage pour suivre le volume croissant des données. Alors que la littérature actuelle se concentre principalement sur les performances en supervision complète, le développement de méthodes efficaces exploitant une supervision faible réaliste n’a pas encore été exploré. Dans cet article, nous proposons d’utiliser des griffonnages (scribbles) pour annoter les nuages de points LiDAR, et présentons ScribbleKITTI, le premier jeu de données annoté par griffonnages pour la segmentation sémantique LiDAR. En outre, nous introduisons une pipeline visant à réduire l’écart de performance observé lors de l’utilisation d’annotations faibles. Cette pipeline se compose de trois contributions indépendantes pouvant être combinées à tout modèle de segmentation sémantique LiDAR afin d’atteindre jusqu’à 95,7 % des performances obtenues avec une supervision complète, tout en utilisant uniquement 8 % de points étiquetés. Les annotations par griffonnages et le code sont disponibles à l’adresse github.com/ouenal/scribblekitti.