La détection de zone libre (freespace detection) constitue un élément essentiel des technologies d’automatisation des véhicules et joue un rôle crucial dans la planification de trajectoire. Au cours de la dernière décennie, les méthodes de détection de zone libre basées sur l’apprentissage profond se sont avérées viables. Toutefois, ces approches se sont principalement concentrées sur les environnements routiers urbains, et peu de méthodes fondées sur l’apprentissage profond ont été spécifiquement conçues pour la détection de zone libre en terrain non aménagé, en raison du manque de jeux de données de référence pour ces scénarios. Dans cet article, nous présentons le jeu de données ORFD, qui, à notre connaissance, est le premier jeu de données dédié à la détection de zone libre en terrain non aménagé. Ce jeu de données a été collecté dans diverses scènes (forêt, terrain agricole, prairie et campagne), sous différentes conditions météorologiques (ensoleillé, pluvieux, brumeux, neigeux) et diverses conditions d’éclairage (lumière vive, jour, crépuscule, obscurité), et comprend au total 12 198 paires de nuages de points LiDAR et d’images RGB, annotées en détail pour les zones franchissables, non franchissables et inaccessibles. Nous proposons un nouveau réseau, nommé OFF-Net, qui intègre l’architecture Transformer afin d’agréger efficacement à la fois les informations locales et globales, répondant ainsi aux exigences de champs réceptifs étendus propres aux tâches de détection de zone libre. Nous introduisons également une attention croisée pour fusionner dynamiquement les informations LiDAR et images RGB, permettant une détection précise des zones libres en terrain non aménagé. Le jeu de données et le code source sont accessibles publiquement à l’adresse suivante : https://github.com/chaytonmin/OFF-Net.