Con el progreso continuo de los sistemas de transporte inteligente y las tecnologías de conducción automatizada, los complejos entornos viales urbanos plantean mayores requisitos en la característica en tiempo real y precisión de los algoritmos de planificación de trayectorias. Los métodos tradicionales de planificación de trayectorias de una sola capa luchan por manejar eficazmente la complejidad de las redes viales y de carriles, lo que conlleva una alta complejidad computacional y resultados de planificación subóptimos. Para abordar este problema, proponemos un modelo de planificación de trayectorias de doble capa. Primero, a nivel de carretera, empleamos el algoritmo A* para determinar eficientemente la ruta macroscópica óptima, reduciendo la carga computacional. A nivel de carril, introducimos una red Q Proporcional-Integral-Derivada (PIDQN) basada en aprendizaje profundo por refuerzo, que aprovecha los mecanismos de control PID para mejorar la precisión y adaptabilidad de la selección de carriles. Al incorporar control proporcional, integral y derivativo, PIDQN maneja de manera efectiva entornos dinámicos y evita óptimos locales, asegurando una convergencia estable y más rápida. En comparación con los algoritmos tradicionales de Deep Q-Network (DQN) y Q-learning, PIDQN demuestra mejoras significativas en la tasa de éxito y velocidad de convergencia en tareas de planificación de trayectorias. Utilizando mapas de alta precisión en entornos del mundo real y Python para experimentos de simulación, verificamos la superioridad de este enfoque en complejas redes viales urbanas, y comparamos el rendimiento de los algoritmos tradicionales A* y los algoritmos de planificación de dos capas. Los resultados muestran que el algoritmo de planificación de dos capas supera al algoritmo tradicional A* y proporciona una solución más robusta y eficiente para la navegación de vehículos autónomos.