Los sistemas de navegación autónoma existentes para Vehículos Aéreos No Tripulados (VANT) enfrentan los desafíos duales de la trampa de mínimos locales y la complejidad computacional que aumenta con la densidad ambiental. Este documento propone una arquitectura de navegación jerárquica que integra el aprendizaje de representaciones profundas con un Campo Potencial Artificial Vortex (APF) mejorado. En la capa de decisión, una Red Neuronal Convolucional (CNN) codifica el entorno como un tensor de dimensión fija y genera puntos de referencia globales con inferencia en tiempo constante, independiente del número de obstáculos. En la capa de control, un APF Vortex resuelve el problema de Objetivo No Alcanzable con Obstáculos Cercanos (GNRON) y las oscilaciones de ciclo límite a través de potenciales rotacionales tangenciales, logrando una mejora significativa en la suavidad de la trayectoria en comparación con los métodos APF tradicionales. Un mecanismo de replanteamiento en bucle cerrado garantiza además un rendimiento robusto bajo deriva de ejecución. Los experimentos en diversas densidades de obstáculos demuestran que el sistema combinado logra altas tasas de éxito en la navegación en entornos densos con un tiempo de computación sustancialmente reducido en comparación con planificadores basados en muestreo como el Árbol Aleatorio de Exploración Rápida (RRT*), manteniendo una calidad de trayectoria superior. Esta arquitectura proporciona una solución computacionalmente eficiente para plataformas de VANT con recursos limitados que operan en entornos sin GPS o ricos en obstáculos, como almacenes, bosques y sitios de desastre.