Antecedentes: La segmentación precisa del suelo en nubes de puntos 3D es fundamental para la percepción robótica, permitiendo una navegación robusta, detección de objetos y mapeo ambiental. Sin embargo, los métodos existentes luchan con la sobresegmentación, subsegmentación e ineficiencia computacional, especialmente en entornos dinámicos o complejos. Métodos: Este estudio propone FASTSeg3D, un algoritmo de dos etapas novedoso para el filtrado de suelo en tiempo real. Primero, la Estimación de Elevación de Rango (REE) organiza eficientemente las nubes de puntos mientras filtra valores atípicos. Segundo, el Ajuste de Modelo Basado en Ventana Adaptativa (WBMF) aborda la sobresegmentación ajustándose dinámicamente a las características geométricas locales. El método fue evaluado rigurosamente en cuatro escenarios desafiantes: objetos grandes (vehículos), peatones, pequeños escombros/vegetación y condiciones lluviosas a lo largo de ciclos de día/noche. Resultados: FASTSeg3D logró un rendimiento de vanguardia, con un error medio del 90% en todos los escenarios excepto en casos extremos (condiciones de objetos pequeños lluviosos/nocturnos). Mantuvo una velocidad de procesamiento 10 veces más rápida que los métodos comparables, lo que permitió su operación en tiempo real. El algoritmo también superó a los puntos de referencia en la puntuación F1 (promedio del 94,2%) y en el coeficiente kappa (promedio de 0,91), demostrando una robustez superior. Conclusiones: FASTSeg3D aborda limitaciones críticas en la segmentación del suelo al equilibrar velocidad y precisión, lo que lo hace ideal para aplicaciones robóticas en tiempo real en entornos diversos. Su eficiencia computacional y adaptabilidad a casos límite representan un avance significativo para los sistemas autónomos.