La tecnología de conducción autónoma depende en gran medida de la percepción precisa de los entornos de tráfico, principalmente a través de cámaras en la carretera y LiDAR. Aunque existen varios métodos populares y robustos de detección de objetos 2D y 3D, como R-CNN, YOLO, SSD, PointPillar y VoxelNet, el alcance y la precisión de percepción de un vehículo individual pueden estar limitados por el bloqueo de otros vehículos o edificios. Una solución es aprovechar las infraestructuras de percepción en la carretera para la percepción cooperativa vehículo-infraestructura, utilizando computación en el borde para la extracción en tiempo real de características intermedias y redes V2X para transmitir estas características a los vehículos. Este paradigma emergente de percepción migratoria requiere implementar servicios exclusivos de percepción cooperativa en servidores de borde e implica la migración de servicios de percepción para reducir el tiempo de respuesta. En esta configuración, existe competencia entre múltiples servicios de percepción cooperativa debido a los recursos limitados en el borde. Este estudio propone un método de programación de servicios basado en aprendizaje por refuerzo multiagente (MADRL) para la percepción migratoria en la percepción cooperativa vehículo-infraestructura, utilizando un grafo discreto variable en el tiempo para modelar la relación entre nodos de servicio y nodos de servidor de borde. Este enfoque basado en MADRL puede abordar eficientemente los desafíos de ubicación y migración de servicios en entornos con recursos limitados, minimizar la latencia y maximizar la utilización de recursos para los servicios de percepción migratoria en servidores de borde.