En el estudio de Localización y Mapeo Simultáneo (SLAM), la existencia de obstáculos dinámicos tendrá un gran impacto en él, y cuando hay muchos obstáculos dinámicos, llevará a grandes desafíos en el mapeo. Por lo tanto, segmentar objetos dinámicos en el entorno es particularmente importante. El formato de datos común en el campo de los robots autónomos son nubes de puntos. Cómo utilizar nubes de puntos para segmentar objetos dinámicos es el foco de este estudio. Los métodos existentes de segmentación de instancias de nubes de puntos se basan principalmente en nubes de puntos densas. En nuestro escenario de aplicación, utilizamos LiDAR de 16 líneas (nubes de puntos dispersas) y proponemos un método de segmentación de instancias de nubes de puntos dispersas basado en codificación y decodificación espacio-temporal para robots autónomos en entornos dinámicos. En comparación con otros métodos de segmentación de instancias de nubes de puntos, el algoritmo propuesto ha mejorado significativamente la precisión promedio y la recuperación promedio en la segmentación de instancias de nuestro conjunto de datos de nubes de puntos. Además, la anotación de nubes de puntos es laboriosa y consume mucho tiempo, y el conjunto de datos existente para la segmentación de instancias de nubes de puntos también es muy limitado. Por lo tanto, proponemos un algoritmo de anotación de nubes de puntos autónomo que integra el seguimiento de objetos, la segmentación y los métodos de mapeo de nubes de puntos a 2D, los datos resultantes pueden utilizarse para entrenar un modelo robusto.