知识卡片：面向自动驾驶全天气自监督深度估计的鲁棒性提升

英文标题：Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving
英文关键词：Self-supervised depth estimation; All-weather robustness; Multi-teacher distillation; Radar fusion; POV-BEV; Uncertainty modeling; Autonomous driving

一句话结论

本文提出一种基于多教师蒸馏和雷达POV-BEV融合的自训练流水线，在雨、雾、雪等全天气条件下实现了最先进的自监督深度估计性能，代码已开源。

事件概述或研究问题

自监督深度估计在自动驾驶中至关重要，但在恶劣天气（雨、雾、雪等）下，传感器感知退化会带来两大挑战：一是天气导致的像素对应关系失真，违背自监督损失函数中的假设，产生错误深度预测；二是雷达虽在恶劣天气中被广泛采用，但其点云在相机视角（POV）中分布稀疏，给自监督融合带来困难。现有方法多针对单一天气或使用配对的合成数据，难以泛化到真实全天气场景。

方法/产品要点

• 总体框架：一个使用未配对的真实全天气数据的自训练流水线，核心包括不确定性感知多教师蒸馏（Uncertainty-Aware Multi-Teacher Distillation）和POV-BEV雷达融合（POV-BEV Radar Fusion）。
• 不确定性感知多教师蒸馏：训练多个教师模型，每个教师在不同恶劣条件输入（如雨、雾、雪）下学习；然后通过不确定性建模对知识蒸馏损失进行加权，使学生模型从多样化的教师中自适应地学习鲁棒深度表示。
• POV-BEV雷达融合：利用相机像素射线约束建立相机视角（POV）和雷达鸟瞰视角（BEV）之间的关联，从而利用更密集的雷达点，融合两种视角的互补信息。
• 代码与模型：已开源在 GitHub（https://github.com/MICLAB-BUPT/RobustDepth）。

主要结果或产业意义

• 在全天气数据集上的定量和定性实验表明，该方法在多种恶劣天气下均达到最先进（state-of-the-art）性能，显著提升了自监督深度估计的鲁棒性。
• 产业意义：为自动驾驶系统在雨、雾、雪等实际常见恶劣天气下提供更可靠的距离感知能力，降低因深度预测错误引发的安全风险。

为什么重要

当前自监督深度估计研究多假设理想天气条件，实际部署时鲁棒性不足。本文首次通过多教师蒸馏结合POV-BEV雷达融合来系统解决全天气条件下的自监督深度估计问题，且使用未配对的真实数据（无需额外标注），增强了方法的实用性。相比于既有单天气或合成数据方案，本工作提供了更通用的全天气解决方案。

局限与不确定性

• 未提及在极端天气（如暴雪、浓雾）或传感器完全失效条件下的表现，需待核实。
• 论文未报告在无雷达的车辆平台上的适配性，目前假设车辆配备雷达。
• 实验数据集的具体构成和规模文中未详细列出，仅提到“全天气数据集”，具体性能指标（如绝对相对误差、均方根误差等）待核实。

可用于图书/PPT/简报的角度

• 自动驾驶深度感知挑战：从天气影响出发，引出传感器融合对策。
• 知识蒸馏的工程实践：多教师蒸馏结合不确定性加权减轻模型偏见。
• 雷达与相机融合新思路：POV与BEV坐标系统一实现点云密度提升。

原始材料

• 论文标题：Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving
• arXiv ID：2607.21526v1
• 作者：Mengshi Qi, Xiaoyang Bi, Xianlin Zhang, Huadong Ma
• 发布日期：2026-07-23
• 论文链接：https://arxiv.org/abs/2607.21526v1
• 代码仓库：https://github.com/MICLAB-BUPT/RobustDepth