Dans l'analyse des nuages de points, les méthodes basées sur les points ont connu un développement rapide ces dernières années. Ces méthodes se sont récemment concentrées sur des structures de MLP (Multilayer Perceptron) concises, telles que PointNeXt, qui ont démontré une compétitivité comparable à celle des structures convolutionnelles et transformer. Cependant, les MLP standards sont limités dans leur capacité à extraire efficacement des caractéristiques locales. Pour remédier à cette limitation, nous proposons une abstraction de nuage de points orientée vecteur qui peut agrégater les caractéristiques voisines à travers des vecteurs de dimension supérieure. Afin de faciliter l'optimisation du réseau, nous construisons une transformation du scalaire au vecteur en utilisant des angles indépendants basés sur les rotations de vecteurs 3D. Enfin, nous développons un modèle PointVector qui suit la structure de PointNeXt. Nos résultats expérimentaux montrent que PointVector atteint des performances d'état de l'art avec un mIOU (Mean Intersection over Union) de 72,3 % sur S3DIS Area 5 et un mIOU de 78,4 % sur S3DIS (validation croisée 6 fois) tout en n'utilisant que 58 % des paramètres du modèle PointNeXt. Nous espérons que notre travail contribuera à l'exploration de représentations de caractéristiques concises et efficaces. Le code sera bientôt mis à disposition.