Las predicciones actuales para las operaciones futuras con drones estiman densidades de tráfico órdenes de magnitud más altas que cualquier observada en la aviación tripulada. Tales densidades requieren más investigación e innovación, en particular, en la detección y resolución de conflictos sin necesidad de intervención humana. El concepto de espacio aéreo en capas, donde las aeronaves están separadas por capas verticales según su rumbo, ha sido ampliamente investigado y se ha demostrado que aumenta la capacidad de tráfico. Sin embargo, las aeronaves que atraviesan entre capas no se benefician de este efecto de separación y alineación. Como resultado, las interacciones entre aeronaves en ascenso/descenso y en crucero pueden llevar a un gran aumento de conflictos e intrusiones. Este documento explora formas de reducir el impacto de las transiciones verticales dentro del entorno. Probamos dos métodos de aprendizaje por refuerzo: un módulo de toma de decisiones y un módulo de ejecución de control. El primero emite un comando de cambio de carril basado en la ruta planificada. El segundo realiza el control operativo para coordinar el movimiento longitudinal y vertical de la aeronave para una maniobra de fusión segura. Los resultados muestran que el aprendizaje por refuerzo es capaz de optimizar una política de conducción eficiente para maniobras de cambio de capa, disminuyendo el número de conflictos y pérdidas de separación mínima en comparación con las reglas de navegación definidas manualmente.