Para escenarios complejos con múltiples obstáculos, el método tradicional de campo potencial artificial sufre de defectos como el desequilibrio del campo potencial, su capacidad para caer fácilmente en mínimos locales y encontrar objetivos inalcanzables en entornos de navegación complejos. Por lo tanto, este artículo propone un algoritmo de campo potencial adaptativo tridimensional (SAPF) basado en el aprendizaje por refuerzo multi-agente. Primero, en este artículo, se modifica la función gravitacional en el campo potencial artificial (APF) para debilitar el efecto gravitacional sobre el UAV en la región lejana al punto objetivo con el fin de reducir el riesgo de colisión entre el UAV y los obstáculos durante el proceso de movimiento. En segundo lugar, en la región cercana al punto objetivo, este artículo mejora la función del campo potencial artificial para asegurar que el UAV pueda alcanzar el punto objetivo de manera fluida y lograr la convergencia del camino al considerar la distancia relativa entre la posición actual del UAV y el punto objetivo. Finalmente, para las características de la planificación de trayectorias del UAV, se diseña un espacio de estado 3D basado en las coordenadas 3D del UAV, la distancia entre el UAV y el obstáculo más cercano, y la distancia entre el UAV y el punto objetivo; se diseña un espacio de acción basado en el incremento de desplazamiento del UAV en los tres ejes de coordenadas; y se rediseñan las fórmulas específicas para las penalizaciones por colisión y las recompensas por optimización de trayectorias, lo que evita eficazmente que el UAV entre en los puntos mínimos locales. Los resultados experimentales muestran que el método de campo potencial artificial diseñado con aprendizaje por refuerzo puede planificar caminos más cortos y exhibir mejores resultados de planificación. Además, el método es más adaptable en escenas complejas y tiene mejor resistencia a interferencias.