Para las redes que procesan datos 3D, estimar la orientación y posición de objetos 3D es una tarea desafiante. Esto se debe a que las redes tradicionales no son robustas a la rotación de los datos, y su funcionamiento interno es en gran medida opaco e ininterpretable. Para resolver este problema, se propone una nueva red de vectores auto-supervisada equivariante para nubes de puntos. La red puede aprender la información de dirección de rotación del objetivo 3D y estimar el cambio de pose rotacional del objetivo, y la interpretabilidad de la red equivariante se estudia utilizando la teoría de la información. La utilización de neuronas vectoriales dentro de la red eleva los datos escalares a representaciones vectoriales, lo que permite a la red aprender la información de pose inherente al objetivo 3D. La red puede realizar tareas complejas equivariantes a la rotación después del pre-entrenamiento, y muestra un rendimiento impresionante en tareas complejas como la estimación de cambio de pose a nivel de categoría y la reconstrucción equivariante a la rotación. Demostramos a través de experimentos que nuestra red puede detectar con precisión la orientación y cambio de pose de nubes de puntos y visualizar las características latentes. Además, se desempeña bien en tareas invariantes como la clasificación y segmentación a nivel de categoría.