تمثّل كشف المساحات الحرة عنصرًا أساسيًا في الإدراك البصري للسيارات ذاتية القيادة. لقد أسهمت الجهود الحديثة المبذولة في الشبكات العصبية التلافيفية المدمجة للبيانات (CNN) في تحسين كبير لتقسيم مشاهد القيادة ذات المعنى. ويمكن افتراض المساحات الحرة على أنها سطح أرضي، حيث تكون المتجهات العادية للنقاط عليه متشابهة. ولهذا، نقدم في هذا البحث وحدة جديدة تُسمى مُقدِّر المتجهات العادية (SNE)، التي تُقدِّر معلومات المتجهات العادية بدقة وكفاءة عالية من صور العمق/الانزياح الكثيفة. علاوةً على ذلك، نقترح بنية شبكة عصبية تلافيفية مدمجة للبيانات تُسمى RoadSeg، التي تستخرج وتدمج المعلومات المميزة من صور الألوان (RGB) والبيانات المُستخلصة من المتجهات العادية للكشف الدقيق عن المساحات الحرة. ولأغراض البحث، نُطلق مجموعة بيانات كبيرة الصنع للكشف عن المساحات الحرة، تُسمى مجموعة بيانات الطرق جاهزة للقيادة (R2D)، والتي تم جمعها تحت ظروف إضاءة وطقس مختلفة. وأظهرت النتائج التجريبية أن وحدة SNE المقترحة تُفيد جميع الشبكات العصبية التلافيفية المتطورة الحالية في كشف المساحات الحرة، وأن نموذج SNE-RoadSeg يحقق أفضل أداء عام بين مختلف المجموعات البيانات.