Este artículo aborda el problema de la asignación de misiones y la descarga de tareas, donde los vehículos autónomos utilizan la computación móvil en el borde para realizar un procesamiento eficiente en un Sistema de Transporte Inteligente (ITS) basado en Open RAN. Los estudios existentes presentan limitaciones, como la falta de consideración de las interdependencias entre misiones y el coste de la descarga de tareas a servidores en el borde, lo que lleva a una toma de decisiones subóptima. Para abordar estas limitaciones, este artículo propone Oranits, un novedoso modelo de sistema que optimiza el rendimiento mediante la cooperación entre vehículos, al tiempo que considera explícitamente las dependencias de la misión y los costes de descarga. Para lograrlo, primero desarrollamos un algoritmo de computación evolutiva basado en metaheurísticas denominado Chaotic Gaussian-Based Global ARO (CGG-ARO) como línea base para la optimización dentro de una única ranura. Segundo, diseñamos un marco de aprendizaje de refuerzo denominado Multi-Agent Double-Deep Q-Network (MA-DDQN) que integra mecanismos de coordinación multiagente y selección multiacción para reducir el tiempo de asignación de misiones y mejorar la adaptabilidad en comparación con los métodos de línea base. Los resultados de una simulación exhaustiva muestran que CGG-ARO mejora el número de misiones completadas y la rentabilidad general en aproximadamente un 7,1 % y un 7,7 %, respectivamente, mientras que MA-DDQN mejora el número de misiones completadas y la rentabilidad general en un 11,0 % y un 12,5 %, respectivamente. Estos resultados destacan la capacidad de Oranits para permitir un procesamiento de tareas más rápido, adaptativo y eficiente en entornos ITS dinámicos.
