En entornos complejos, la navegación autónoma para drones quadrotor presenta desafíos en términos de evitación de obstáculos y planificación de rutas. Los métodos tradicionales de campo potencial artificial (APF) están plagados de problemas como quedar atrapados en mínimos locales y un manejo inadecuado de obstáculos dinámicos. Este artículo introduce una estructura de evitación de obstáculos en capas que fusiona campos de potencial artificial de vórtice (VAPF) con aprendizaje por refuerzo (RL) para el control de movimiento. Este enfoque ajusta dinámicamente la posición objetivo a través de VAPF, guiando estratégicamente al dron para evitar obstáculos de manera indirecta. Además, emplea el algoritmo Twin Delayed Deep Deterministic Policy Gradient (TD3) para facilitar el entrenamiento del controlador de movimiento. Los experimentos de simulación demuestran que la incorporación del VAPF mitiga efectivamente el problema de los mínimos locales y mejora significativamente la tasa de éxito de la navegación del dron, reduce el tiempo promedio de llegada y el número de giros bruscos, y resulta en trayectorias más suaves. Esta solución combina armoniosamente la flexibilidad de los métodos VAPF con la precisión del RL para el control de movimiento, ofreciendo una estrategia efectiva para la navegación autónoma de drones quadrotor en entornos complejos.