La detección de objetos basada en nubes de puntos ha sido ampliamente utilizada para la conducción autónoma, aunque cómo mejorar su precisión de detección sigue siendo un desafío significativo. Los puntos del primer plano son más críticos para la detección de objetos en 3D que los puntos del fondo; sin embargo, la mayoría de los marcos de detección actuales no pueden preservar efectivamente los puntos del primer plano. Por lo tanto, este trabajo propone un método de detección de objetos en 3D basado en atención híbrida con nubes de puntos diferenciales, al que llamamos HA-RCNN. El método diferencia los puntos del primer plano de los del fondo para preservar la información crítica de los puntos del primer plano. Experimentos extensos realizados en el conjunto de datos KITTI muestran que el modelo supera a los métodos de vanguardia, especialmente en el reconocimiento de objetos grandes como coches y ciclistas.