자율 항공기가 대규모로 도입되고 교통 밀도가 증가함에 따라, 중앙 집중식 관리 방식으로는 수많은 유인 및 무인 항공기를 조정하기에 불충분해지고 있습니다. 따라서 고밀도 자율 교통 흐름을 조직하기 위해 전용 첨단 항공 모빌리티 (AAM, Advanced Air Mobility) 코리더 (corridor)가 제안되었습니다. 궤적 계획 (trajectory planning)에서 자율 항공기에 확장 가능한 유연성을 제공하고자 하는 요구는 AAM 코리더 내 교통 관리의 분산형 접근 방식 개발을 촉진합니다. 본 연구에서는 에어 코리더 네트워크 내의 분산형 교통 흐름 관리 과제를 해결하기 위해 다중 에이전트 강화학습 (MARL, multi-agent reinforcement learning) 접근 방식을 확장합니다. 우리는 단일 코리더 환경에서 훈련된 정책을 병합(merge)과 분기(split)가 결합된 점점 더 복잡한 다중 코리더 네트워크에서 제로샷 (zero-shot) 방식으로 테스트합니다. 실험 결과, 학습된 행동은 중앙 집중식 조정이나 모델 재학습 없이도 다양한 교통 밀도, 네트워크 기하학, 이기종 차량 성능을 가진 시나리오로 잘 전이됨을 보여줍니다. 우리는 코리더 경계 준수, 완료율, 평균 속도, 이동 거리, 항공기 간 분리 유지 측면에서 시스템 수준의 성능을 평가합니다. 우리의 정책은 국지적으로 조정된 진입, 통과 및 진출 행동만을 필요로 하지만, 집단적으로 코리더 네트워크를 통해 바람직한 교통 흐름을 생성한다는 것을 발견했습니다.