A LIDAR pontfelhők gazdag információforrást jelentenek az autonóm járművek és ADAS rendszerek számára. A mozgó objektumok szegmentálása azonban kihívást jelent ezekből az adatokból. A hagyományos módszerek a környezet (globális vagy lokális) térképére támaszkodnak, amelynek rekonstrukciója és frissítése kihívást jelentő feladat valós körülmények között főleg a mozgó objektumok jelenlétében. Ez a cikk egy újszerű megközelítést javasol ami a lehető legkevesebb mérés használatával végzi el a mozgó objektum szegmentációt (Moving Object Segmentation – MOS) a LIDAR pontfelhőkben, így lehetővé téve a számítási terhelés csökkentését és a térkép nélküli feldolgozást. Megközelítésünk multimodális tanulási modellen alapul, egy modalitást hasznosító predikcióval. A használt modellt a LIDAR pontfelhők és a kapcsolódó kameraképek adatkészletén tanítottuk, így a modell megtanulja a két modalitás jellemzőinek társítását, lehetővé téve a dinamikus objektumok előrejelzését térkép és kamera modalitás hiányában is. Ezenkívül, javasoljuk a szemantikai információ használatát a több mérést felhasználó szegmentációhoz a teljesítménymutatók javítása érdekében. A SemanticKITTI és az Apollo valós autonóm vezetési adatkészleteken értékeltük ki a megközelítésünket. Eredményeink azt mutatják, hogy a módszer a legkorszerűbb teljesítményt képes elérni a mozgó objektumok szegmentálásakor, és teszi ezt csak néhány (akár mindösszesen egy) LIDAR mérést felhasználva. Az implementáció példákkal és előre betanított hálózatokkal elérhető a következő linken: https://github.com/madak88/2DPASS-MOS