L’enregistrement de nuages de points LiDAR en extérieur éloignés est essentiel pour étendre la vision 3D des véhicules autonomes collaboratifs, mais demeure un défi en raison de la faible zone de chevauchement et d’un écart important entre les densités de points observées. Dans cet article, nous proposons un schéma d’apprentissage contrastif par groupes (Group-wise Contrastive Learning, GCL) afin d’extraire des caractéristiques géométriques invariantes à la densité pour l’enregistrement de nuages de points LiDAR en extérieur éloignés. Nous démontrons, par une analyse théorique et des expériences, que les paires positives en apprentissage contrastif doivent être indépendantes et identiquement distribuées (i.i.d.) afin d’entraîner efficacement des extracteurs de caractéristiques invariants à la densité. À partir de cette conclusion, nous proposons un schéma d’entraînement simple mais efficace, qui force les caractéristiques de plusieurs nuages de points situés au même emplacement spatial (désignés comme « groupes positifs ») à être similaires, ce qui évite naturellement le biais d’échantillonnage introduit par une paire de nuages de points, tout en respectant le principe i.i.d. L’extracteur de caractéristiques entièrement convolutif obtenu est plus puissant et plus invariant à la densité que les méthodes de pointe, améliorant respectivement le taux de rappel de l’enregistrement dans des scénarios éloignés sur les benchmarks KITTI et nuScenes de 40,9 % et 26,9 %. Le code source est disponible à l’adresse suivante : https://github.com/liuQuan98/GCL.