La percepción de multitudes móviles es un paradigma innovador y prometedor en la construcción y percepción de ciudades inteligentes. Sin embargo, la asignación de múltiples tareas en escenarios del mundo real es un gran desafío. Hay muchos factores inesperados en la ejecución de tareas de percepción de multitudes móviles, como atascos de tráfico o accidentes, que impiden que los participantes lleguen al área objetivo. Además, los participantes pueden abandonar a mitad de camino debido a fallos en el equipo, parálisis de la red, comportamiento deshonesto, etc. Los enfoques anteriores de asignación de tareas ignoraron principalmente parte de la heterogeneidad de los participantes y las tareas en los escenarios del mundo real. Este artículo propone un enfoque de asignación de múltiples tareas orientado al mundo real basado en el aprendizaje por refuerzo de múltiples agentes. En primer lugar, bajo la premisa de considerar plenamente la heterogeneidad de los participantes y las tareas, el enfoque permite que los participantes, como agentes, aprendan múltiples soluciones de manera independiente, basado en un aprendizaje Q suave modificado. En segundo lugar, se proponen dos mecanismos de cooperación para obtener la acción conjunta estable, que pueden minimizar el tiempo total de percepción mientras se cumple la restricción de calidad de percepción, lo que optimiza la calidad de percepción de las tareas de percepción de multitudes móviles (MCS). Los experimentos verifican que el enfoque puede reducir efectivamente el impacto de emergencias en la eficiencia de la plataforma MCS a gran escala y superar las líneas base basadas en un conjunto de datos del mundo real bajo diferentes configuraciones experimentales.