La creación de mapas y modelado del entorno es una tarea primordial en la navegación de robots móviles. Obtener un modelo del entorno ligero y robusto es imperativo cuando los procesos se van a ejecutar en un robot con capacidad de cómputo y memoria limitada como es el caso de la mayoría de los robots trepadores. En este artículo se propone el uso de diferentes arquitecturas de redes neuronales para identificar de los datos capturados por un sensor LiDAR aquellos puntos que estén contenidos en planos pertenecientes a estructuras reticulares. Su propósito es eliminar información irrelevante como árboles o suelo a fin de mitigar los requisitos necesarios a posteriori de cómputo y memoria para tareas de mapeado o localización. Para el entrenamiento de dichas redes neuronales se ha utilizado un proceso de generación y etiquetado automático de datasets mediante entornos de simulación. Los experimentos realizados demuestran el correcto funcionamiento de las redes neuronales para la segmentación de elementos de la estructura contenidos en un plano.