Los planificadores de movimiento basados en redes neuronales profundas (DNN) de extremo a extremo han mostrado un gran potencial en el vuelo autónomo de UAV a alta velocidad. Sin embargo, la mayoría de los métodos existentes solo emplean un único DNN de alta capacidad, que típicamente carece de capacidad de generalización y sufre de alta complejidad de muestra. Proponemos un nuevo planificador jerárquico activado por eventos (ETHP), que explota la naturaleza de optimización de dos niveles de la tarea de navegación para lograr tanto un entrenamiento eficiente como una mejor optimalidad. Específicamente, aprendemos un planificador de movimiento de extremo a extremo basado en imágenes de profundidad dentro de un marco de aprendizaje por refuerzo jerárquico, donde el DNN de alto nivel es un rerouter reactivo de evitación de colisiones activado por la distancia de separación, y el DNN de bajo nivel es un perseguidor de objetivos que genera las referencias de rumbo y velocidad en tiempo real. Nuestro entrenamiento considera la restricción del campo de visión y explora la flexibilidad estructural de dos niveles para promover la optimalidad espaciotemporal de la planificación. Además, diseñamos reglas simples pero efectivas para recopilar búferes de experiencia retrospectiva, lo que produce más muestras de alta calidad y una convergencia más rápida. Los experimentos muestran que, en comparación con un planificador base de un solo DNN, ETHP mejora significativamente la tasa de éxito y se generaliza mejor al entorno no visto.