La croissance accrue de l'industrie des véhicules aériens non pilotés (UAV) (drones) a élargi les possibilités d'applications entièrement autonomes de ces appareils. Une application particulière qui a en partie motivé cette recherche est l'utilisation des UAV pour des opérations de recherche et de surveillance sur de vastes zones dans des environnements extérieurs non structurés. La problématique majeure dans de tels environnements est le manque de caractéristiques structurées pouvant faciliter le vol autonome, telles que les lignes de route ou les chemins. Dans cet article, nous proposons une approche d'apprentissage basée sur la régression multi-tâches de bout en bout, capable de définir des commandes de vol pour la navigation et l'exploration sous la canopée forestière, indépendamment de la présence de sentiers ou de capteurs supplémentaires (par exemple, GPS). L'entraînement et les tests sont réalisés à l'aide d'une chaîne logicielle intégrée permettant une évaluation détaillée par rapport aux techniques actuelles d'estimation de la posture. Nos expériences approfondies montrent que notre approche excelle dans l'exploration dense au sein du périmètre de recherche requis, est capable de couvrir des zones plus étendues, se généralise à des environnements inédits et non explorés, et surpassent les techniques contemporaines d'avant-garde.