En los últimos años, con el continuo desarrollo de la tecnología de conducción autónoma, la detección de objetos en 3D se ha convertido naturalmente en un enfoque clave en la investigación de sistemas de percepción para la conducción autónoma. Como el componente más crucial de estos sistemas, la detección de objetos en 3D ha ganado una atención significativa. Los investigadores favorecen cada vez más el marco de aprendizaje profundo Transformer debido a su poderosa capacidad de modelado a largo plazo y sus excelentes ventajas de fusión de características. Ha surgido un gran número de excelentes métodos de detección de objetos en 3D basados en Transformer. Este artículo divide los métodos según las fuentes de datos. En primer lugar, analizamos diferentes fuentes de datos de entrada y enumeramos conjuntos de datos estándar y métricas de evaluación. En segundo lugar, introducimos métodos basados en diferentes datos de entrada y resumimos el rendimiento de algunos métodos en diferentes conjuntos de datos. Finalmente, resumimos las limitaciones de la investigación actual, discutimos direcciones futuras y proporcionamos algunas perspectivas innovadoras.