A medida que aumenta la utilización de aplicaciones complejas y pesadas en la conducción autónoma, se está llevando a cabo activamente la investigación sobre el uso de la informática móvil en el borde y la descarga de tareas para la conducción autónoma. Recientemente, los investigadores han estado estudiando algoritmos de descarga de tareas utilizando inteligencia artificial, como el aprendizaje por refuerzo o la descarga parcial. Sin embargo, estos métodos requieren una gran cantidad de datos de entrenamiento y plazos críticos y son débilmente adaptables a entornos complejos y en constante cambio. Para superar esta debilidad, en este documento proponemos un nuevo algoritmo de descarga de tareas basado en la optimización de Lyapunov para mantener la estabilidad del sistema y minimizar el retraso en el procesamiento de tareas. Primero, se construye un sistema de monitoreo en tiempo real para utilizar eficientemente los recursos informáticos distribuidos en un entorno de conducción autónoma. En segundo lugar, se analiza la complejidad computacional y la tasa de acceso a la memoria para reflejar las características de las aplicaciones de aprendizaje profundo en el algoritmo de descarga de tareas. En tercer lugar, la optimización de Lyapunov y Lagrange resuelve los problemas de compensación entre la estabilidad del sistema y los requisitos del usuario. Los resultados experimentales muestran que la cola de espera del sistema permanece estable y las tareas se completan en un promedio de 0,4231 s, 0,7095 s y 0,9017 s para la detección de objetos, el perfilado del conductor y el reconocimiento de imágenes, respectivamente. Por lo tanto, aseguramos que el algoritmo propuesto de descarga de tareas permite que la aplicación de aprendizaje profundo se procese dentro del plazo y mantiene estable el sistema.