Este documento propone un marco de control integrado para mejorar el rendimiento de seguimiento de trayectoria de vehículos eléctricos autónomos de superficie (AGEVs) bajo perturbaciones complejas, incluyendo incertidumbres en los parámetros y cambios ambientales. El marco integra el control de rechazo de perturbaciones activo (ADRC) para la estimación y compensación de perturbaciones en tiempo real con un algoritmo de aprendizaje por refuerzo profundo (DRL) basado en el gradiente de política determinista profunda (DDPG) para la optimización dinámica de los parámetros del controlador, con el fin de mejorar la precisión y robustez del seguimiento. Más específicamente, combina la tasa de guía de Línea de Vista (LOS) con ADRC, prueba la estabilidad de LOS a través de la ley de Lyapunov y diseña un controlador de ángulo de guiñada, utilizando el observador de estado extendido para reducir el impacto de las perturbaciones en la precisión del seguimiento. Además, el enfoque también aborda las características dinámicas no lineales del vehículo de los AGEVs mientras mitiga las perturbaciones internas y externas aprovechando la capacidad de desacoplamiento inherente de ADRC y la capacidad de adaptación de parámetros impulsada por datos de DDPG. Se llevan a cabo simulaciones a través de CarSim/Simulink para validar el rendimiento del controlador en maniobras de serpentina y cambio de carril doble. Los resultados de la simulación muestran que el marco propuesto supera a las estrategias de control tradicionales con mejoras significativas en la precisión de seguimiento lateral, estabilidad de guiñada y supresión del ángulo de deslizamiento lateral.