La segmentación de objetos sigue siendo considerada un problema desafiante en la conducción autónoma, especialmente teniendo en cuenta las condiciones del mundo real. Siguiendo esta línea de investigación, este artículo aborda el problema de la segmentación de objetos utilizando la fusión LiDAR-cámara y el aprendizaje semi-supervisado implementado en una red neuronal convolucional totalmente convolucional. Nuestro método fue probado en datos del mundo real adquiridos utilizando nuestro vehículo personalizado iseAuto shuttle. Los datos incluyen todos los escenarios climáticos, presentando condiciones de noche y lluvia. En este trabajo, se muestra que con la fusión LiDAR-cámara, con solo unos pocos escenarios anotados y aprendizaje semi-supervisado, es posible lograr un rendimiento robusto en datos del mundo real en un problema de segmentación de objetos de múltiples clases. El rendimiento de nuestro algoritmo se midió en términos de intersección sobre unión, precisión, recall y precisión promedio del área bajo la curva. Nuestra red logra un 82% de IoU en la detección de vehículos en escenarios diurnos justos y un 64% de IoU en la segmentación de vehículos en escenarios de lluvia nocturna.