La planificación de movimiento de UAV orientada a la seguridad se basa en campos de distancia a obstáculos y sus gradientes, sin embargo, el mapeo a bordo suele estar limitado a actualizaciones de distancia localizadas. En consecuencia, la optimización puede estancarse fuera de la banda actualizada debido a la falta de gradientes, mientras que ampliar el rango de actualización aumenta sustancialmente el costo computacional. Nuestra clave es que la localidad en la planificación de movimiento implica que solo un pequeño subconjunto de obstáculos gobierna el refinamiento local de la trayectoria. Llamamos a este subconjunto puntos de interés (POIs). Motivados por esta observación, desarrollamos un marco de planificación de movimiento secuencial consciente de la localidad con un mecanismo de retroalimentación impulsado por POIs que identifica y aumenta continuamente estos obstáculos relevantes para la trayectoria durante la búsqueda y la optimización. El mecanismo acopla estrechamente el mapeo, la búsqueda y la optimización y permite un refinamiento seguro de la trayectoria sin requerir actualizaciones globales de distancia. El marco adopta una estrategia de mapeo heurística que combina una cuadrícula de ocupación a largo plazo con actualizaciones de distancia incrementales limitadas y un árbol k-d a corto plazo basado en POIs, lo que permite consultas eficientes de vecinos más cercanos y proxies de gradiente más allá de la banda de actualización. El proceso de búsqueda genera una trayectoria inicial dinámicamente factible en el mapa a largo plazo mientras recopila POIs, que luego se utilizan para construir el componente a corto plazo. La trayectoria se refina posteriormente a través de bucles de optimización iterativos, donde los obstáculos más cercanos recién expuestos se incorporan al conjunto de POIs y se actualiza el mapa a corto plazo hasta la convergencia. La seguridad se garantiza mediante un chequeo conservador de colisiones contra el mapa de ocupación a largo plazo inflado. Las simulaciones en entornos de edificios y bosques muestran que el 99.7% de los ensayos convergen dentro de dos refinamientos en escenas dispersas y ninguno excede cuatro en total. En comparación con FastPlanner y EgoPlanner, el método propuesto logra despejes de obstáculos consistentemente más grandes. Los experimentos a bordo validan aún más su practicidad bajo restricciones reales de detección y computación.