En los últimos años, los sistemas colaborativos de UAV (vehículo aéreo no tripulado) y UGV (vehículo terrestre no tripulado) han desempeñado un papel crucial en el rescate de desastres de emergencia. Para mejorar la eficiencia del rescate, se introducen métodos de red heterogénea y cadenas de tareas para desarrollar cooperativamente secuencias de rescate en un corto período de tiempo para sistemas colaborativos. Sin embargo, los métodos actuales también pasan por alto la sobrecarga de recursos para unidades heterogéneas y limitan la planificación a una sola cadena de tareas en escenarios de rescate entre plataformas, lo que resulta en baja robustez y flexibilidad limitada. Con este fin, este documento propone Gemini, un marco de aprendizaje por refuerzo profundo (DRL) de doble agente en cascada basado en la Red de Servicios Heterogénea (HSN) para la planificación de múltiples cadenas de tareas en la colaboración UAV-UGV. Específicamente, este marco comprende un agente de selección de cadenas y un agente de asignación de recursos: el agente de selección de cadenas planifica rutas para las cadenas de tareas, y el agente de asignación de recursos distribuye las cargas de la plataforma a lo largo de las rutas generadas. Para cada misión, un Gemini bien entrenado no solo puede asignar recursos en equilibrio de carga, sino también planificar múltiples cadenas de tareas simultáneamente, lo que mejora la robustez en el rescate entre plataformas. Los resultados de simulación muestran que Gemini puede aumentar la efectividad del rescate en aproximadamente un 60% y mejorar el equilibrio de carga en aproximadamente un 80%, en comparación con el algoritmo base. Además, el rendimiento de Gemini es estable y mejor que el de la base en varios escenarios de desastre, lo que verifica su generalización.