Las Regiones de Tráfico Controlado (CTRs) alrededor de los aeropuertos importantes representan un desafío importante para la gestión del tráfico de Sistemas Aéreos No Tripulados (UAS). Las regulaciones actuales restringen en gran medida las misiones de UAS en estas áreas al confinarlas a zonas segregadas. Este documento propone permitir misiones de UAS más ambiciosas dentro de los CTR, como trayectorias a través del CTR o entre helipuertos dentro del CTR, basadas en la auto-separación. Esta propuesta enfrenta dos problemas importantes: por un lado, la respuesta adaptativa a la reconfiguración dinámica del espacio aéreo de un CTR sin necesariamente terminar el vuelo, y por otro, una resolución de conflictos autogestionada que permita mantener las separaciones de tráfico sin la intervención de los controladores de tráfico aéreo. Este documento propone una solución llamada Gestión de Separación Multi-Agente por Aprendizaje por Refuerzo (RL-MASM). Emplea un sistema de aprendizaje por refuerzo multi-agente con un esquema de toma de decisiones totalmente descentralizado, aunque utiliza una fuente de información común del entorno. El sistema propuesto se evalúa en comparación con algoritmos de control clásicos para la evitación de obstáculos para determinar los beneficios potenciales de los métodos basados en IA. Los resultados muestran que los métodos basados en IA pueden beneficiarse de conocer la intención de un UAS. Esto conduce a un aumento en el rendimiento en intrusiones en zonas de no vuelo o colisiones, y también resuelve algunos escenarios desafiantes para los algoritmos de control clásicos. Desde el punto de vista aeronáutico, la solución propuesta también introduce ventajas importantes en términos de eficiencia, escalabilidad y descentralización.