Los vehículos aéreos no tripulados (VANT) ofrecen alta movilidad, rentabilidad y despliegue flexible, pero sus recursos limitados de computación y batería restringen su desarrollo. La computación en el borde móvil (MEC) puede aliviar estas limitaciones mediante la descarga de computación. Aunque el aprendizaje por refuerzo (RL) se ha aplicado recientemente para optimizar las estrategias de descarga, el uso de datos en bruto de VANT presenta un riesgo de filtración de privacidad. Para abordar este problema, diseñamos un enfoque de descarga basado en RL que preserva la privacidad y aplica privacidad diferencial local (LDP) para perturbar las trayectorias de decisión. Derivamos teóricamente el límite de arrepentimiento O(M/) y logramos (,)-LDP para el mecanismo de perturbación. Finalmente, evaluamos la eficiencia del enfoque propuesto a través de experimentos.