La detección de áreas transitables (DA) en entornos no estructurados fuera de carretera sigue siendo un desafío para los vehículos terrestres no tripulados (UGVs) debido a un campo de visión limitado, oclusiones persistentes y las limitaciones inherentes de los sensores individuales. Si bien los enfoques de fusión existentes combinan perspectivas aéreas y terrestres, a menudo luchan con puntos de vista espaciotemporales desalineados, cambios ambientales dinámicos y una integración de características ineficaz, particularmente en intersecciones o bajo oclusiones de largo alcance. Para abordar estos problemas, este documento propone un marco de percepción cooperativa aire-tierra basado en la fusión de datos de múltiples fuentes. Nuestro sistema de tres etapas primero introduce DynCoANet, una red de segmentación semántica que incorpora convolución de tiras direccionales y atención de conectividad para extraer estructuras viales topológicamente consistentes de imágenes de UAV. En segundo lugar, un filtro de partículas mejorado con restricciones semánticas de carretera y re-muestreo que preserva la diversidad logra una localización robusta entre mapas de UAV y LiDAR de UGV. Finalmente, un transformador de fusión adaptativa a la distancia (DAFT) fusiona dinámicamente características semánticas de UAV con representaciones BEV de LiDAR a través de atención cruzada guiada por confianza, equilibrando la precisión geométrica y la riqueza semántica según la distancia espacial. Evaluaciones extensas demuestran la efectividad de nuestro enfoque: en el conjunto de datos de extracción de carreteras DeepGlobe, DynCoANet alcanza un IoU del 61.14%; la localización entre vistas en las secuencias de KITTI reduce el error de posición promedio en aproximadamente un 10%; y la detección de DA en OpenSatMap supera a Grid-DATrNet en un 8.42% en precisión para regiones a gran escala (400 m x 400 m). Experimentos en el mundo real con una plataforma coordinada UAV-UGV confirman la robustez del marco en escenarios con muchas oclusiones y geométricamente complejos. Este trabajo proporciona una solución unificada para una percepción confiable de DA a través de un alineamiento cruzado modal estrechamente acoplado y fusión adaptativa.