En este estudio, consideramos el problema de la planificación de movimientos para aplicaciones de movilidad aérea urbana para generar una trayectoria de mínimo "snap" y una trayectoria que cueste el mínimo tiempo para alcanzar una ubicación objetivo en presencia de geo-cercas dinámicas e incertidumbres en el espacio aéreo urbano. Hemos desarrollado dos enfoques separados para este problema porque diseñar un algoritmo individualmente para cada objetivo produce un mejor rendimiento. El primer enfoque que proponemos es un método desacoplado que incluye el diseño de una red de políticas basada en una red neuronal recurrente para un algoritmo de aprendizaje por refuerzo, y luego combinando un algoritmo de generación de trayectorias en línea para obtener la trayectoria de mínimo "snap" para el vehículo. Además, en el segundo enfoque, proponemos un método acoplado utilizando un algoritmo de aprendizaje por imitación adversarial generativo para entrenar una red de políticas basada en redes neuronales recurrentes y generar la trayectoria optimizada en tiempo. Los resultados de la simulación muestran que nuestros enfoques tienen un tiempo de computación corto en comparación con otros algoritmos con un rendimiento similar, mientras garantizan una exploración suficiente del entorno. En las operaciones de movilidad aérea urbana, nuestros enfoques son capaces de proporcionar una re-planificación de movimiento en tiempo real para los vehículos, y las trayectorias re-planificadas mantienen la continuidad con la trayectoria ejecutada. Hasta donde sabemos, proponemos uno de los primeros enfoques que permiten realizar una actualización sobre la marcha de la posición final de aterrizaje y optimizar el camino y la trayectoria en tiempo real mientras se mantienen las exploraciones en el entorno.