En el ámbito en rápida evolución de los Vehículos Aéreos No Tripulados (VANT), la estimación precisa de la altitud sigue siendo un desafío significativo, particularmente para los VANT ligeros. Esta investigación presenta un enfoque innovador para mejorar la precisión de la estimación de altitud para VANT que pesan menos de 2 kg sin cámaras, utilizando algoritmos avanzados de aprendizaje profundo de IA. La principal novedad de este estudio radica en su integración única de técnicas de aprendizaje no supervisado y supervisado. Al combinar sinérgicamente el agrupamiento K-Means con un modelo de regresión basado en aprendizaje profundo de múltiples entradas (DL-KMA), hemos logrado mejoras sustanciales en la precisión de la estimación de altitud. Esta metodología representa un avance significativo sobre los enfoques convencionales en la tecnología de VANT. Nuestro diseño experimental involucró la recolección de datos de campo exhaustivos en dos entornos de altitud distintos, empleando un Medidor de Distancia Láser Digital de alta precisión como estándar de referencia (Clase II). Este enfoque riguroso facilitó una evaluación exhaustiva del rendimiento de nuestro modelo en terrenos variados, asegurando resultados robustos y confiables. Los resultados de nuestro estudio son particularmente notables, con el modelo demostrando valores de Error Cuadrático Medio (MSE) notablemente bajos en todos los clústeres de datos, que oscilan entre 0.011 y 0.072. Estos resultados no solo indican mejoras significativas sobre los métodos tradicionales, sino que también establecen un nuevo estándar en la precisión de la estimación de altitud de los VANT. Una innovación clave en nuestro enfoque es la eliminación de hardware adicional costoso, como la Detección y Medición por Luz (LiDAR), ofreciendo una solución rentable basada en software. Este avance tiene amplias implicaciones, mejorando la accesibilidad de la tecnología avanzada de VANT y expandiendo sus aplicaciones potenciales en diversos sectores, incluyendo la agricultura de precisión, la planificación urbana y la respuesta a emergencias. Esta investigación representa una contribución significativa a la integración de la IA y la tecnología de VANT, desbloqueando potencialmente nuevas posibilidades en las aplicaciones de VANT. Al mejorar las capacidades de los VANT ligeros, no solo estamos mejorando un aspecto técnico, sino revolucionando las aplicaciones potenciales de los VANT en diversas industrias. Nuestro trabajo sienta las bases para operaciones de VANT más seguras, confiables y precisas, marcando un momento pivotal en la evolución de la tecnología aérea en un mundo cada vez más dependiente de los VANT.