La navegación autónoma de robots aéreos en entornos exteriores desconocidos y complejos es un problema desafiante que típicamente requiere que los planificadores generen trayectorias libres de colisiones basadas en reglas de expertos humanos para una navegación rápida. Actualmente, los robots aéreos sufren de alta latencia en la adquisición de información ambiental, lo que limita las estrategias de control que el vehículo puede implementar. En este estudio, propusimos el algoritmo SAC_FAE para la navegación a alta velocidad en entornos complejos utilizando políticas de aprendizaje por refuerzo profundo (DRL). Nuestro enfoque consistió en un algoritmo de actor-crítico suave (SAC) y un autoencoder de enfoque (FAE). Nuestra política de navegación DRL de extremo a extremo permitió que un robot volador realizara de manera eficiente tareas de navegación sin información previa del mapa, confiando únicamente en los marcos de profundidad del frente y su propia información de posición. El algoritmo propuesto superó los enfoques de optimización basados en trayectorias existentes a velocidades de vuelo que superan los 3 m/s en múltiples entornos de prueba, lo que demuestra su efectividad y eficiencia.