LiDAR se ha utilizado ampliamente en sistemas de conducción autónoma para proporcionar información geométrica en 3D de alta precisión sobre el entorno del vehículo para percepción, localización y planificación de rutas. La segmentación semántica de nubes de puntos basada en LiDAR es una tarea importante con un requisito crítico de tiempo real. Sin embargo, la mayoría de los modelos de redes neuronales convolucionales (CNN) existentes para la segmentación semántica de nubes de puntos en 3D son muy complejos y apenas pueden procesarse en tiempo real en una plataforma integrada. En este estudio, se propuso una estructura de CNN ligera para la segmentación semántica de nubes de puntos basada en LiDAR con solo 1.9 M parámetros, lo que supuso una reducción del 87% en comparación con las redes de vanguardia. Cuando se evaluó en una GPU, el tiempo de procesamiento fue de 38.5 ms por fotograma y logró una puntuación mIoU del 47.9% en el conjunto de datos Semantic-KITTI. Además, la CNN propuesta está dirigida a un FPGA utilizando una arquitectura NVDLA, lo que resulta en una aceleración de 2.74 veces sobre la implementación en GPU con una mejora de 46 veces en términos de eficiencia energética.