Con el rápido crecimiento de los datos del IoT y las crecientes demandas de computación de baja latencia, la computación en el borde móvil asistida por UAV ofrece una solución flexible para superar las limitaciones de los servidores MEC fijos. Para reflejar mejor los escenarios de servicio concurrente, este artículo desarrolla de manera innovadora un método de modelado de tareas de múltiples canales, permitiendo que los UAV seleccionen simultáneamente múltiples usuarios y descarguen tareas a través de canales separados, rompiendo así las limitaciones de las suposiciones secuenciales tradicionales. Para abordar los conflictos de tareas y el desperdicio de recursos causados por las suposiciones de servicio secuencial, este artículo propone un marco de toma de decisiones de trayectoria y descarga basado en aprendizaje por refuerzo jerárquico (H-TAOD) para UAV con procesamiento paralelo de múltiples canales. El marco desacopla la planificación de la trayectoria del UAV y la descarga de tareas en dos subtareas optimizadas a través de métodos de aprendizaje por refuerzo apropiados. Se introduce un mecanismo de enmascaramiento de acciones inválidas (IAM) para evitar conflictos de canal. Los resultados de simulación verifican la superioridad de H-TAOD en recompensa, retraso y convergencia.