La navegación autónoma de drones utilizando visión por computadora ha logrado un rendimiento prometedor. Los drones de tamaño nano basados en plataformas de computación en la nube son ligeros, flexibles y económicos; por lo tanto, son adecuados para explorar espacios reducidos. Sin embargo, debido a su poder de computación y almacenamiento extremadamente limitados, los algoritmos de visión diseñados para plataformas GPU de alto rendimiento no pueden ser utilizados en nano-drones. Para abordar este problema, este artículo presenta una red de estimación de profundidad CNN ligera desplegada en nano-drones para la evitación de obstáculos. Inspirado en la destilación de conocimiento (KD), se propone un Transformador de Destilación Consciente del Canal (CADiT) para facilitar que la red pequeña aprenda conocimiento de una red más grande. El método propuesto se valida en el conjunto de datos KITTI y se prueba en un nano-drone Crazyflie con un microprocesador de ultra-bajo consumo GAP8. Este artículo también implementa un canal de comunicación para que las imágenes recopiladas puedan ser transmitidas a una laptop a través del módulo Wi-Fi a bordo en tiempo real, lo que permite una reconstrucción offline del entorno.