Este documento discute un nuevo problema llamado generalización de dominio de planificación de movimiento rápido en entornos 3D, que beneficia a aplicaciones de robots que requieren agilidad, como la conducción autónoma y el vuelo de evasión de obstáculos de vehículos aéreos no tripulados. El trabajo existente muestra que los algoritmos de planificación basados en búsqueda espacial convencionales no pueden cumplir con el requisito de tiempo real debido a los altos costos de tiempo. Los métodos basados en redes neuronales de extremo a extremo logran un excelente equilibrio entre rendimiento y velocidad de planificación en los entornos vistos, pero son difíciles de transferir a nuevos escenarios. Para superar esta limitación, proponemos un enfoque novedoso de Codificador de Entorno Robusto (Ro2En) para la generalización de dominio de planificación de movimiento rápido. Específicamente, al demostrar el entorno reconstruido, encontramos que el codificador de entorno anterior no puede codificar la información de volumen correctamente, es decir, se produce un colapso de volumen, lo que conduce a una modelización de entorno ruidosa. Inspirados por esta observación, se desarrolla un auto-codificador de doble tarea. No solo puede reconstruir la nube de puntos de los obstáculos, sino también alinear sus centros geométricos. Los resultados experimentales mostraron que en los nuevos escenarios, Ro2En superó a las alternativas convencionales y neuronales de vanguardia anteriores con una variación de rendimiento mucho menor.