La detección precisa de obstáculos juega un papel crucial en la creación de mapas de alta precisión dentro de entornos de terreno no estructurado, ya que proporciona información vital para la toma de decisiones de vehículos de ingeniería no tripulados. Los trabajos existentes se centran principalmente en la segmentación semántica de entornos de terreno, pasando por alto el aspecto de seguridad de la conducción del vehículo. Este artículo presenta un marco de detección de obstáculos peligrosos además de información semántica asegurada para la seguridad de la conducción en el mapa de alta precisión generado de escenarios no estructurados. El marco abarca los siguientes pasos clave. En primer lugar, se obtiene un modelo de nube de puntos de terreno continuo, y se diseña un algoritmo de preprocesamiento para filtrar el ruido y rellenar los huecos en el conjunto de datos de la nube de puntos. Luego, se utiliza el operador Sobel-G para establecer un modelo de gradiente digital, facilitando el etiquetado de obstáculos peligrosos. En segundo lugar, se entrena una red neuronal de memoria a largo y corto plazo bidireccional (Bi-LSTM) en categorías de obstáculos. Finalmente, al considerar el estado de conducción geométrico del vehículo, se extraen con precisión los obstáculos que representan riesgos de seguridad para el vehículo. El algoritmo propuesto se valida a través de experimentos realizados en conjuntos de datos existentes, así como en nubes de puntos de terreno no estructurado reconstruidas por drones. Los resultados experimentales afirman la precisión y viabilidad del algoritmo propuesto para la extracción de información sobre obstáculos en escenas no estructuradas.