Los sistemas no tripulados enfrentan condiciones climáticas desafiantes durante las tareas de eliminación de obstáculos. Investigar métodos estables, en tiempo real y precisos de percepción ambiental bajo tales condiciones es crucial. Las cámaras y los sensores LiDAR proporcionan datos diferentes y complementarios. Sin embargo, la integración de datos dispares presenta desafíos como discrepancias de características y la fusión de información escasa y densa, lo que puede degradar el rendimiento algorítmico. Las condiciones climáticas adversas, como la lluvia y la nieve, introducen ruido que reduce aún más la precisión de la percepción. Para abordar estos problemas, proponemos un novedoso algoritmo de detección de objetos 3D de fusión de atención multi-nivel adaptativa al clima en vista aérea de pájaro (BEV-MCAF). Este algoritmo emplea una red de extracción de características mejorada para obtener características más efectivas. Se ha construido un módulo de fusión de características multimodal con generación de características de imagen BEV y un mecanismo de co-atención para mejores efectos de fusión. Se propone una red adversarial de dominio conjunto multimodal a escala múltiple (M2-DANet) para mejorar la adaptabilidad a condiciones climáticas adversas. La eficacia de BEV-MCAF ha sido validada en los conjuntos de datos nuScenes e Ithaca365, confirmando su robustez y buena capacidad de generalización en una variedad de malas condiciones climáticas. Los hallazgos indican que nuestro algoritmo propuesto funciona mejor que el estándar, mostrando una mayor adaptabilidad a condiciones climáticas adversas y mejorando la robustez de los VANT, garantizando una percepción confiable en condiciones desafiantes.