إن تقسيم العوائق على الطرق، بما في ذلك العوائق السلبية والإيجابية، أمر بالغ الأهمية لضمان التنقل الآمن للمركبات ذاتية القيادة. شهدت الطرق الحديثة اهتمامًا متزايدًا باستخدام دمج البيانات متعددة الوسائط (مثل الصور الملونة RGB والصور العميقة/الاختلافية). وعلى الرغم من التحسن في دقة التقسيم الذي أحرزته هذه الطرق، فإننا نلاحظ أن أداؤها قد يتأثر سلبًا بسهولة في حال وجود تناقض في المعلومات بين الوسائط المُدمجة، على سبيل المثال، عند وجود عوائق بعيدة يمكن رؤيتها في الصور RGB لكنها لا يمكن رؤيتها في الصور العميقة/الاختلافية. ولحل هذه المشكلة، نقترح شبكة جديدة متعددة الوسائط من نوع RGB-عمق/اختلافية، تتألف من مُشفرَين ومُفكِّكَين، مع وحدات دمج موجهة بالبقايا (Residual-Guided Fusion). على عكس معظم الشبكات الحالية التي تقوم بدمج خرائط الميزات في مرحلة المُشفر، نقوم بدمج خرائط الميزات في مرحلة المُفكِّك. كما نُطلق أيضًا مجموعة بيانات كبيرة الحجم تتضمن صورًا RGB-عمق/اختلافية تم تسجيلها في بيئة حضرية وريفية، مع تسميات يدوية دقيقة للواقع الحقيقي لتقسيم العوائق السلبية والإيجابية. وأظهرت النتائج التجريبية الواسعة أن شبكتنا تحقق أداءً متفوقًا على مستوى الحالة الحالية مقارنة بالشبكات الأخرى.