UniTR是一种高效的多模态骨干网络，用于处理多传感器数据并实现准确可靠的自动驾驶系统的感知。它通过引入模态不可知的转换编码器来处理不同的传感器数据，并通过视角不一致的传感器数据进行并行模态表示学习和自动跨模态交互。它还提出了一种新颖的多模态融合策略，同时考虑2D透视图和3D稀疏邻域关系。在nuScenes评测中，UniTR在3D目标检测方面取得了+1.1 NDS的提高，在BEV地图分割方面取得了+12.0 mIoU的提高，并具有较低的推理延迟。