Este documento presenta un nuevo método de control de vectorización de par (TVC) para vehículos eléctricos de cuatro motores en rueda con tracción independiente que considera tanto el ahorro de energía como el rendimiento de seguridad utilizando aprendizaje por refuerzo profundo (RL). En primer lugar, se identifica el modelo de neumático utilizando el algoritmo de optimización de árbol de Fibonacci, y se diseña un esquema de control de vectorización de par jerárquico basado en un modelo de vehículo no lineal de siete grados de libertad. Esta estructura de control comprende una capa de control de seguridad activa y una capa de asignación de par basada en RL. La capa de control de seguridad activa proporciona una referencia de par para que la capa de asignación de par asigne el par considerando tanto el ahorro de energía como el rendimiento de seguridad. Específicamente, se propone un nuevo algoritmo de aprendizaje por refuerzo de doble Q-learning aleatorio heurístico en conjunto para calcular la asignación óptima de par para todas las condiciones de conducción. Finalmente, se realizan experimentos numéricos bajo diferentes condiciones de conducción para validar la efectividad del método TVC propuesto. A través de estudios comparativos, enfatizamos que el nuevo método TVC supera muchos resultados de control relacionados existentes en la mejora de la seguridad del vehículo y el ahorro de energía, así como en la reducción de la carga de trabajo del conductor.