본 논문은 개방형 무선 접속망(Open RAN) 기반 지능형 교통 시스템(ITS)에서 자율 주행 차량이 모바일 에지 컴퓨팅을 활용하여 효율적인 처리를 수행하는 미션 할당 및 작업 오프로딩 문제를 다룬다. 기존 연구들은 미션 간 상호 의존성과 에지 서버로 작업을 오프로딩하는 비용을 고려하지 않아 최적이 아닌 의사결정을 초래하는 한계를 지닌다. 이를 해결하고자 본 논문에서는 미션 의존성과 오프로딩 비용을 명시적으로 고려하면서 차량 협력을 통해 성능을 최적화하는 새로운 시스템 모델인 Oranits를 제안한다. 이를 위해, 우선 하나의 슬롯에 대한 최적화를 위한 기준으로 혼돈 가우시안 기반 전역 ARO(CGG-ARO)라는 메타휴리스틱 기반 진화 컴퓨팅 알고리즘을 개발한다. 둘째, 다중 에이전트 조정 및 다중 행동 선택 메커니즘을 통합하여 미션 할당 시간을 단축하고 기준 방법보다 적응성을 향상시키는 다중 에이전트 이중 심층 Q-네트워크(MA-DDQN)라는 강화 학습 프레임워크를 설계한다. 광범위한 시뮬레이션 결과, CGG-ARO는 완료된 미션 수와 전체 이익을 각각 약 7.1%와 7.7% 향상시키는 반면, MA-DDQN은 완료된 미션 수와 전체 이익을 각각 11.0%와 12.5% 더 향상시킨다는 것을 보여준다. 이러한 결과는 Oranits가 동적인 ITS 환경에서 더 빠르고, 더 적응적이며, 더 효율적인 작업 처리를 가능하게 함을 강조한다.
