La posicionamiento preciso y confiable de vehículos aéreos no tripulados (VANT) en entornos urbanos es crucial para la aplicación de movilidad aérea urbana (MAU), como la logística, la vigilancia y la gestión de desastres. Sin embargo, los sistemas globales de navegación por satélite (GNSS) a menudo fallan en áreas densamente pobladas debido a las reflexiones de señal (propagación multipath) y obstrucciones fuera de la línea de visión (NLOS), lo que causa errores de posicionamiento significativos. Para abordar esto, proponemos un marco de aprendizaje automático (ML) que integra señales de referencia de posición 5G (PRS) para corregir las estimaciones de posición de los VANT. Se generó un conjunto de datos utilizando el entorno de simulación de VANT de MATLAB, que incluye coordenadas estimadas derivadas de mediciones de tiempo de llegada (TOA) de 5G y posiciones reales correspondientes (verdad de terreno). Este conjunto de datos se utilizó para entrenar una red neuronal totalmente conectada de avance (FNN), que mejora la precisión del posicionamiento al aprender patrones entre las coordenadas predichas y las reales. El modelo logró mejoras significativas en la precisión, con un error absoluto medio (MAE) de 1.3 m en condiciones de línea de visión (LOS) y 1.7 m en condiciones NLOS, y un error cuadrático medio (RMSE) de aproximadamente 2.3 m. El marco propuesto permite capacidades de corrección en tiempo real para sistemas de seguimiento dinámico de VANT, destacando el potencial de combinar datos de posicionamiento 5G con aprendizaje profundo para mejorar la navegación de VANT en entornos urbanos. Este estudio aborda las limitaciones de los métodos tradicionales basados en GNSS en entornos urbanos densos y ofrece una solución robusta para los futuros avances de los VANT.