La detección de colisiones es muy importante para la planificación del movimiento de robots. Los algoritmos de detección de colisiones existentes y precisos consideran la evaluación de cada nodo como un evento discreto, ignorando la correlación entre nodos, lo que resulta en una baja eficiencia. En este artículo, proponemos un enfoque novedoso que transforma la detección de colisiones en un problema de clasificación binaria. En particular, el método propuesto busca el k-vecino más cercano (KNN) del nuevo nodo y estima su probabilidad de colisión mediante el nodo anterior. Realizamos el método de mundo pequeño navegable jerárquico (HNSW) para consultar los datos del vecino más cercano y almacenar los nodos detectados para construir la base de datos de manera incremental. Además, esta investigación desarrolla una técnica de consulta KNN adaptada para datos lineales, incorporando segmentación por umbrales para facilitar la detección de colisiones a lo largo de caminos continuos. Además, refina la función de distancia del clasificador de colisiones para mejorar la precisión de las estimaciones de probabilidad. Los resultados de la simulación demuestran la efectividad del método propuesto.