Se construyó un mapa de alta definición del sistema de conducción autónoma con los puntos de interés objetivo, que fueron extraídos de una gran cantidad de datos de nube de puntos crudos no ordenados obtenidos por Lidar. Con el fin de obtener mejor los puntos de interés objetivo, este artículo propone un algoritmo mejorado de RandLa-Net incorporado con el registro NDT, que puede ser utilizado para clasificar y extraer de forma automática nubes de puntos crudos a gran escala. Primero, basado en el algoritmo de registro NDT, los datos de nube de puntos crudos de fotograma a fotograma se convirtieron en un mapa global de nube de puntos; luego, la red RandLa-Net combinada con un muestreador de características locales se utiliza para clasificar puntos discretos en el mapa de nube de puntos punto por punto. Finalmente, los datos de nube de puntos correspondientes fueron extraídos para las etiquetas de interés a través de la indexación de numpy. Los experimentos en los conjuntos de datos públicos senmatic3D y senmatickitti muestran que el método tiene una excelente precisión y velocidad de procesamiento para la clasificación y extracción de datos de nube de puntos a gran escala adquiridos por Lidar.