在自动驾驶技术中，以视觉为中心的鸟瞰图（Bird's Eye View, BEV）感知方案正变得越来越重要。然而，现有BEV模型的一个致命弱点是“水土不服”：在一个地方（如晴天的波士顿）训练好的模型，换到另一个地方（如雨天的北京）或不同条件下（如夜晚），性能就会急剧下降。这一“域偏移”（Domain Shift）问题，极大地阻碍了BEV感知技术的实际落地。

为了解决这一难题，来自北京大学、南京大学、香港理工大学和香港科技大学的研究者们，在一篇被 IEEE TCSVT 接收的论文 《BEVUDA++: Geometric-aware Unsupervised Domain Adaptation for Multi-View 3D Object Detection》 中，首次 系统性地研究并提出了解决方案。他们提出的 BEVUDA++ 框架，是一个创新的几何感知无监督域自适应（Unsupervised Domain Adaptation, UDA）方法，在多个跨域场景下取得了SOTA性能，例如在“白天到黑夜”的场景切换中，将关键指标 NDS提升了12.9% 。

BEV感知模型通常很复杂，它需要将来自多个摄像头的2D图像特征，通过视角转换（LSS）提升到3D空间（Voxel），最后再投影到统一的BEV网格上。问题在于，域偏移（如光照、天气、城市场景风格的变化）会影响到这个流程的每一步：

BEVUDA++ 的核心目标就是解决这种在多几何空间中累积的域偏移问题。

BEVUDA++ 采用了一个巧妙的“师生（Teacher-Student）”学习框架，来实现在没有目标域标注数据下的无监督域自适应。该框架由一个“可靠深度教师”模型和一个“几何一致学生”模型组成。

教师模型（RDT）的作用是在目标域（如夜晚场景）上为学生模型提供高质量的监督信号（伪标签）。为了保证信号的质量，RDT巧妙地融合了目标域稀疏但准确的LiDAR点云和模型自身预测的稠密深度图。它通过一个 不确定性估计 机制，来判断模型预测的每个像素点的深度是否“可靠”。对于不可靠的深度预测，就用LiDAR的真实深度来替代。这样生成的“深度感知信息”包含了充足且可靠的目标域知识，能够指导学生模型学习到更鲁棒的Voxel和BEV特征。

学生模型（GCS）是最终在实际应用中进行推理的模型。它的核心创新在于“几何一致性”。为了协同地解决多空间中的域偏移，GCS将来自2D图像、3D Voxel和BEV这三个不同几何空间的特征，通过MLP映射到一个 统一的几何嵌入空间。在这个共享空间里，通过对抗性训练等方式，强制拉近源域和目标域的特征分布。这种方法从根本上解决了域偏移在不同空间中累积的问题。

在师生学习框架中，教师模型通常通过指数移动平均（EMA）的方式来缓慢地更新学生模型的权重。传统的EMA使用固定的更新率。而 BEVUDA++ 提出了一种更智能的 UEMA 策略。它利用之前计算出的“不确定性”来动态调整更新率：当学生模型对自己的预测不确定时（即不确定性高），就减小教师模型的更新幅度，防止教师学到学生的错误；反之，则可以更自信地更新。这大大提升了伪标签的质量和训练的稳定性。

研究团队在nuScenes数据集上构建了四种典型的跨域场景（城市场景：波士顿到新加坡；天气：晴天到雨天/雾天；光照：白天到黑夜；连续变化：晴天到不同浓度的雾天）来验证方法的有效性。

实验结果表明，BEVUDA++ 在所有四个跨域场景中，性能均全面超越了基线模型（Source Only）和其他现有的域自适应方法。特别是在最具挑战性的“白天到黑夜”场景中，BEVUDA++ 相比于基线模型，NDS提升了12.9%，mAP提升了9.5% ，效果极为显著。

从可视化的检测结果和特征分布中，可以更直观地看到 BEVUDA++ 的优势。如下图所示，BEVUDA++（下图）的检测框比基线模型（上图）更准确、置信度更高。同时，t-SNE特征可视化也表明，BEVUDA++能成功地将源域（蓝色）和目标域（红色）的特征分布对齐，而基线模型则无法做到。

消融实验也充分证明了RDT、GCS和UEMA每个模块都对最终的性能提升至关重要。

BEVUDA++ 是 首个 系统性解决多视角BEV 3D目标检测中无监督域自适应问题的工作，其主要贡献在于：

这项研究极大地提升了BEV感知模型在真实世界复杂多变场景下的鲁棒性和实用性，为自动驾驶技术的最终落地扫清了一大障碍。

了解最新 AI 进展，欢迎关注公众号:我爱计算机视觉感谢点赞支持。