La détection d'objets 3D monoculaire est un élément essentiel de la conduite autonome, bien qu'elle soit particulièrement difficile à résoudre, surtout pour les échantillons occultés qui ne sont que partiellement visibles. La plupart des détecteurs considèrent chaque objet 3D comme une cible d'entraînement indépendante, ce qui entraîne inévitablement une perte d'informations utiles pour les échantillons occultés. Pour remédier à cela, nous proposons une nouvelle méthode visant à améliorer la détection d'objets 3D monoculaire en prenant en compte la relation entre les échantillons appariés. Cela permet d'encoder des contraintes spatiales pour les objets partiellement occultés à partir de leurs voisins adjacents. Plus précisément, le détecteur proposé calcule des prédictions tenant compte de l'incertitude pour les positions des objets et des distances 3D entre les paires d'objets adjacents, qui sont ensuite optimisées conjointement par moindres carrés non linéaires. Enfin, la structure de prédiction en une étape tenant compte de l'incertitude et le module d'optimisation postérieure sont intégrés de manière dédiée pour garantir l'efficacité temporelle lors de l'exécution. Les expériences montrent que notre méthode offre les meilleures performances sur le banc d'essai KITTI de détection 3D, surpassant largement les concurrents de pointe, en particulier pour les échantillons difficiles.