La détection et la localisation des obstacles à partir d'un nuage de points LiDAR sont des sujets majeurs dans le domaine de la conduite autonome. Les méthodes qui de-viennent de plus en plus précises opèrent toutes de bout en bout, c'est-à-dire en retournant directement les coordon-nées des boîtes englobantes des objets d'intérêt qu'elles es-timent correctes. Cette stratégie rend plus difficile le diagnostic en cas de défaillance. Nous présentons une approche simple qui produit d'une part une carte de probabilité in-termédiaire permettant de sélectionner les régions d'inté-rêt pour un système a posteriori, et de les visualiser lors de l'inférence. D'autre part, les véhicules correctement dé-tectés sont représentés sous la forme d'ellipses. Un vé-hicule caché pourra ne pas être une ellipse complète, sa marque indiquera tout de même une présence. Grâce à cette représentation paramétrique des obstacles, une extraction directe des prédictions à partir de cette carte inter-médiaire est possible. La simplicité architecturale de l'ap-proche proposée, en comparaison des méthodes de l'état de l'art, ne l'empêche pas d'atteindre un haut niveau de performances sur le benchmark KITTI pour la détection d'obstacles en vue de dessus. Mots Clef Apprentissage profond, LiDAR, détection d'objets. Abstract Detection and localization of obstacles from a LiDAR point cloud have become a major stake for autonomous driving. While methods become more and more precise, they operate in an end-to-end fashion, returning directly the final boxes whose probability is beyond some threshold. This strategy makes the diagnosis difficult in case of failure as it does not allow to identify which area of the scene caused the false prediction. The method introduced in this paper create first an intermediate probability map allowing the selection of a region of interest for a subsequent detection system and the visualization of the regions that got the focus of the algorithm. Moreover, the detected vehicles are represented as ellipses. A hidden vehicle may illustrate a truncated shape but the mark in the map still indicates a possible existence. Thanks to this parametric representation , extracting obstacles directly from the probability map is possible. With its simple architecture, the proposed algorithm reaches high levels of performance on the KITTI Object Dataset Benchmark. Keywords Deep learning, LiDAR, object detection. FIGURE 1-Une carte de probabilité binarisée prédite en Bird's Eye View (bas gauche) est utilisée par un RPN (Re-gion Proposal Network) pour prédire les ellipses finales (bas droite).