Bestehende Einzelschritt-Detektoren zur Objekterkennung in Punktwolken behandeln die Objektlokalisation und die Kategorieklassifikation oft als getrennte Aufgaben. Dadurch können die Lokalisierungsgenauigkeit und die Klassifikationszuverlässigkeit nicht gut aufeinander abgestimmt sein. Um dieses Problem zu lösen, stellen wir einen neuen Einzelschritt-Detektor vor, den sogenannten Confident IoU-Aware Single-Stage Object Detector (CIA-SSD). Zunächst entwickeln wir ein leichtgewichtiges Modul zur räumlich-semantischen Merkmalsaggregation, das hochwertige abstrakte semantische Merkmale und niedrigwertige räumliche Merkmale adaptiv fusioniert, um genaue Vorhersagen von Begrenzungsboxen und Klassifikationszuverlässigkeit zu ermöglichen. Des Weiteren wird die vorhergesagte Zuverlässigkeit durch unser speziell entwickeltes IoU-aware Confidence Rectification Modul angepasst, um eine bessere Übereinstimmung zwischen der Zuverlässigkeit und der Lokalisierungsgenauigkeit zu erreichen. Basierend auf der angepassten Zuverlässigkeit formulieren wir eine distanzvariante IoU-gewichtete NMS (Non-Maximum Suppression), um glattere Regressionen zu erzielen und redundante Vorhersagen zu vermeiden. Wir testen den CIA-SSD auf der 3D-Autodetektion im KITTI-Testdatensatz und zeigen, dass er hinsichtlich des offiziellen Rangmetrik (moderate AP 80,28 %) und einer Inferenzgeschwindigkeit von über 32 FPS Spitzenleistungen erzielt, wobei er alle bisherigen Einzelschritt-Detektoren übertrifft. Der Quellcode ist unter https://github.com/Vegeta2020/CIA-SSD verfügbar.