En el campo de la conducción autónoma, la posición espacial precisa y la detección de objetos en 3D se han vuelto cada vez más críticas debido a los avances en la tecnología LiDAR y sus extensas aplicaciones. Los modelos de detección tradicionales para imágenes RGB enfrentan desafíos para manejar el desorden intrínseco presente en nubes de puntos LiDAR. Aunque las nubes de puntos suelen percibirse como irregulares y desordenadas, en realidad existe un orden implícito, debido a la disposición de los láseres y al escaneo secuencial. Por lo tanto, proponemos Frustumformer, un nuevo marco que aprovecha el orden inherente de las nubes de puntos LiDAR, reduciendo el desorden y mejorando la representación. Nuestro enfoque consiste en un método basado en frustum que depende de los resultados de un detector de imagen 2D, una incrustación de parches de frustum que explota el nuevo formato de representación de datos, y una red transformadora de paso único para la fusión de características de resolución original. Al incorporar estos componentes, Frustumformer aprovecha de manera efectiva el orden intrínseco de las nubes de puntos y modela dependencias a largo plazo para mejorar aún más el rendimiento. Los estudios de ablación verifican la eficacia del componente de transformador de paso único y la arquitectura general del modelo. Realizamos experimentos en el conjunto de datos KITTI, y Frustumformer supera a los métodos existentes.