En este estudio, presentamos un nuevo marco para la segmentación semántica de nubes de puntos en escenarios de conducción autónoma, denominado PVI-Net. Este marco integra de manera única tres perspectivas de datos diferentes: nubes de puntos, vóxeles y mapas de distancia, ejecutando la extracción de características a través de tres ramas paralelas. A lo largo de este proceso, diseñamos ingeniosamente un mecanismo de atención cruzada entre nubes de puntos y vóxeles, así como una estrategia de fusión de características multiperspectiva para imágenes de puntos. Estas estrategias facilitan la interacción de información a través de diferentes dimensiones de características de las perspectivas, optimizando así la fusión de información desde varios puntos de vista y mejorando significativamente el rendimiento general del modelo. La red emplea una estructura U-Net y conexiones residuales, fusionando y codificando efectivamente la información para mejorar la precisión y eficiencia de la segmentación semántica. Validamos el rendimiento de PVI-Net en los conjuntos de datos SemanticKITTI y nuScenes. Los resultados demuestran que PVI-Net supera la mayoría de los métodos anteriores en varias métricas de rendimiento.