Die monokulare 3D-Objekterkennung ist ein wesentlicher Bestandteil des autonomen Fahrens und stellt eine besondere Herausforderung dar, insbesondere bei teilweise verdeckten Objekten. Die meisten Erkennungsverfahren betrachten jedes 3D-Objekt als unabhängiges Trainingsziel, was zwangsläufig zu einem Mangel an nützlichen Informationen für verdeckte Objekte führt. Um dieses Problem anzugehen, schlagen wir eine neuartige Methode vor, die die Beziehungen zwischen gepaarten Stichproben berücksichtigt. Dies ermöglicht es uns, räumliche Restriktionen für teilweise verdeckte Objekte von ihren benachbarten Nachbarn zu kodieren. Insbesondere berechnet der vorgeschlagene Detektor unsicherheitsbewusste Vorhersagen für die Positionen der Objekte und 3D-Distanzen für die benachbarten Objektpaare, die anschließend durch nichtlineare Kleinste Quadrate gemeinsam optimiert werden. Schließlich werden die einstufige unsicherheitsbewusste Vorhersagestruktur und das Post-Optimierungsmodul speziell integriert, um die Laufzeit-Effizienz sicherzustellen. Experimente zeigen, dass unsere Methode auf dem KITTI 3D-Erkennungsbenchmark die beste Leistung erzielt, indem sie den aktuellen Stand der Technik bei weitem übertrifft, insbesondere bei den schwierigen Stichproben.