自律走行車における視覚認識の重要な要素であるフリー空間検出は、近年のデータ統合型畳み込みニューラルネットワーク（CNN）の研究により、セマンティックなドライブシーンセグメンテーションの性能が著しく向上している。フリー空間は、点群が類似した表面法線を持つ地平面として仮定できる。本稿では、まず高精度かつ高効率に密集した深度／視差画像から表面法線情報を推定できる新規モジュール、表面法線推定器（Surface Normal Estimator: SNE）を提案する。さらに、RGB画像と推定された表面法線情報を用いて特徴を抽出・統合し、正確なフリー空間検出を実現するデータ統合型CNNアーキテクチャ「RoadSeg」を提案する。研究目的として、異なる照明条件および天候条件下で収集された大規模な合成フリー空間検出データセット「Ready-to-Drive（R2D）」道路データセットを公開する。実験結果から、本稿で提案するSNEモジュールが、すべての最先端CNNモデルにおけるフリー空間検出性能を向上させることを示した。また、SNE-RoadSegは、複数のデータセットにおいて最も優れた総合性能を達成した。