본 논문은 저고도 무인 항공기(UAV)와 지상 컴퓨팅 노드(GCN)가 알려지지 않은 환경에서 수색, 검사, 감시 작업을 수행하는 데 인공지능(AI) 기반 합성곱 신경망을 활용하는 것을 다룬다. 그러나 높은 계산 요구량으로 인해 단일 UAV의 용량을 초과하여 시스템 불안정성을 초래하고, GCN의 제한적이고 동적인 자원으로 인해 문제가 더욱 악화된다. 이러한 문제를 해결하기 위해 UAV, 지상 로봇(GER), 고고도 플랫폼(HAP)을 포함하는 새로운 협력 프레임워크를 제안한다. 이 프레임워크는 UAV-to-GER(U2G) 및 UAV-to-HAP(U2H) 통신을 통한 자원 풀링을 통해 UAV 오프로딩 작업에 대한 컴퓨팅 서비스를 제공한다. 특히, UAV의 작업 할당 및 탐색 최적화의 다목적 최적화 문제를 동적 장기 최적화 문제로 공식화하여 작업 완료 시간과 에너지 소비를 최소화하고 시스템 안정성을 유지하는 것을 목표로 한다. Lyapunov 최적화 기법을 사용하여 안정성 제약 조건이 있는 원래 문제를 슬롯당 결정적 문제로 변환하고, 헝가리안 알고리즘과 생성 확산 모델(GDM) 기반 다중 에이전트 심층 결정적 정책 경사(MADDPG) 접근 방식을 결합한 HG-MADDPG 알고리즘을 제안한다. 헝가리안 알고리즘을 탐색 영역 선택 방법으로 도입하여 환경과의 상호 작용에서 UAV 효율성을 높이고, GDM과 MADDPG를 통합하여 작업 오프로딩 및 자원 할당과 같은 작업 할당 결정을 최적화한다. 시뮬레이션 결과는 제안된 방법의 효과를 보여주며, 기준 방법과 비교하여 작업 오프로딩 효율성, 지연 감소 및 시스템 안정성이 크게 향상됨을 보여준다.
