La detección de objetos tridimensionales basada en la nube de puntos LiDAR juega un papel importante en la conducción autónoma. La distribución de la nube de puntos del objeto varía considerablemente a diferentes distancias, ángulos de observación y niveles de oclusión. Además, diferentes tipos de LiDAR tienen diferentes configuraciones de ángulos de proyección, lo que produce una distribución de nube de puntos completamente diferente. Los modelos pre-entrenados en el conjunto de datos con anotaciones pueden degradarse en otros conjuntos de datos. En este artículo, proponemos un método para la detección de objetos utilizando una red adaptativa no supervisada, que no requiere datos de anotación adicionales del dominio objetivo. Nuestra red adaptativa de detección de objetos consta de una red de detección de objetos general, una red de adaptación de características globales y una red de adaptación de instancias de subcategoría especial. Dividimos los datos del dominio fuente en diferentes subcategorías y utilizamos un discriminador de múltiples etiquetas para asignar etiquetas dinámicamente a los datos del dominio objetivo. Evaluamos nuestro enfoque en el benchmark de objetos KITTI y demostramos que el método adaptativo no supervisado propuesto podría lograr una mejora notable en las capacidades de adaptación.