En los sistemas de infraestructura de transporte, las imágenes de características y las características espaciales se utilizan generalmente como elementos complementarios derivados de nubes de puntos para la extracción de bordes de carreteras, pero la participación de uno o más hiperparámetros en cada uno complica la extracción. Este estudio propone un método híbrido de autotuning con optimización bayesiana para la extracción de bordes de carreteras en sistemas de autopistas. El método híbrido combina las fortalezas de imágenes de características en 2D y características espaciales en 3D, mientras que también ajusta automáticamente la combinación de hiperparámetros utilizando optimización bayesiana. Los hiperparámetros abarcan umbrales de gradiente de píxeles altos y bajos, radio de vecindario y umbral de vector normal. Posteriormente, se toma el conjunto de datos de nubes de puntos de las carreteras nacionales en la provincia de Henan, China, como estudio de caso para evaluar el rendimiento del método propuesto en comparación con tres métodos de referencia en dos escenarios típicos de carreteras: bordes rectos y curvados. Los resultados experimentales muestran que el método propuesto supera a los métodos de referencia en calidad de detección y precisión. Puede servir como una herramienta de toma de decisiones para complementar el levantamiento manual tradicional de carreteras, permitiendo una extracción eficiente y automatizada de bordes de carreteras en sistemas de autopistas.