Las restricciones no holonómicas de los UAV de ala fija, caracterizadas por la viabilidad acoplada de rumbo-curvatura y costos asimétricos, se desvían fundamentalmente de las suposiciones clásicas de enrutamiento euclidiano. Si bien las arquitecturas estándar de optimización combinatoria neuronal (NCO) podrían incorporar teóricamente los costos de Dubins a través de señales de recompensa, tales adaptaciones ingenuas carecen de la capacidad para modelar explícitamente la invariancia geométrica intrínseca SE(2) y la asimetría direccional del movimiento de ala fija, lo que lleva a una generalización subóptima. Para cerrar esta brecha, proponemos un marco NCO consciente de Dubins. Diseñamos un embebido de doble canal para desacoplar distancias físicas asimétricas de características geométricas estables en rotación. Además, introducimos un mecanismo de Codificación de Fase Rotativa (RoPhE) que garantiza teóricamente una estricta equivarianza SO(2) dentro de la capa de atención. Se llevan a cabo extensos experimentos de sensibilidad, ablación y generalización cruzada en tareas que abarcan diferentes radios de giro y variantes del problema con escalas de instancia de 10, 20, 36 y 52 nodos. Los resultados validan consistentemente la superior optimalidad y estabilidad de nuestro enfoque en comparación con las líneas base de DRL y NCO de última generación, al tiempo que mantienen ventajas significativas en eficiencia computacional sobre las heurísticas clásicas. Nuestros resultados destacan la importancia de incrustar explícitamente la consistencia entre geometría y física, en lugar de depender de señales de recompensa escalares, para la programación autónoma de ala fija en el mundo real.