Actualmente, el control de vuelo autónomo para vehículos aéreos no tripulados (VANT) se ha vuelto cada vez más crítico en aplicaciones de teledetección, como la adquisición de datos de alta resolución y la detección de enfermedades en carreteras. Sin embargo, esta tarea también enfrenta desafíos significativos, particularmente las débiles señales de GNSS en las áreas de vuelo y el complejo entorno de vuelo. Además, muchos de los algoritmos de control de vuelo autónomo existentes para VANT son computacionalmente exigentes, lo que limita su implementación en dispositivos embebidos con memoria y potencia de procesamiento restringidas, afectando así tanto la eficiencia operativa como la seguridad de las misiones de los VANT. Para abordar estos problemas, proponemos PISCFF-LNet, una red ligera de extracción de carreteras que integra conocimientos previos y características contextuales espaciales. La red emplea una arquitectura de codificador de doble rama para extraer por separado características espaciales y contextuales, obteniendo así representaciones de características multidimensionales. Además, para mejorar la integración de diferentes características y mejorar la representación general de las características, también introducimos un módulo de fusión de características. Para mejorar aún más el rendimiento del VANT, introducimos un algoritmo mejorado basado en rayos de ocho vecinos (RENA), que extrae de manera eficiente la información del borde de la carretera con una latencia notablemente baja de solo 7 ms, proporcionando una guía de vuelo precisa y reduciendo la identificación errónea. Para proporcionar una evaluación integral del rendimiento del modelo, hemos desarrollado un nuevo conjunto de datos de segmentación semántica de carreteras de teledetección con drones, DRS Road, que incluye aproximadamente 2600 imágenes de teledetección de ultra alta resolución en seis categorías de escenas. Los resultados experimentales demuestran que PISCFF-LNet logra mejoras del 1.06% en la Intersección sobre la Unión (IoU) y del 0.83% en el F1-Score en el conjunto de datos de carreteras DeepGlobe, y del 1.03% en IoU y del 0.57% en F1-Score en el conjunto de datos DRS Road, en comparación con los métodos existentes. Finalmente, aplicamos el algoritmo a un VANT, utilizando un algoritmo de control de vuelo basado en PID. Los resultados muestran que los drones que emplean nuestro algoritmo exhiben un rendimiento de vuelo superior tanto en entornos simulados como en el mundo real.