La evitación de obstáculos juega un papel crucial en la planificación segura de rutas de vehículos aéreos no tripulados de cuadricóptero (QUAVs). En este estudio, proponemos un marco jerárquico para la evitación de obstáculos, que combina el uso de campos potenciales artificiales (APF) y aprendizaje por refuerzo profundo (DRL) para entrenar controladores de movimiento de bajo nivel. A diferencia de los métodos tradicionales de campo potencial, nuestro enfoque modifica la información del estado recibida por los controladores de movimiento utilizando las salidas del planificador de rutas APF. Específicamente, la posición objetivo asumida se aleja de los obstáculos, lo que resulta en ajustes a los errores de posición percibidos. Además, abordamos las oscilaciones de la ruta incorporando la información de velocidad del objetivo, que se calcula en función de la derivada temporal de la fuerza repulsiva. Los resultados experimentales han validado la efectividad de nuestro marco propuesto para evitar colisiones con obstáculos y reducir oscilaciones.