En este artículo, se investigan las comunicaciones vehiculares asistidas por vehículos aéreos no tripulados (UAV) para minimizar la latencia y maximizar la utilización de la energía disponible de la batería del UAV. Dado que la comunicación y cooperación entre UAV y vehículos es frecuentemente necesaria, un enfoque viable es reducir la transmisión de mensajes redundantes. Sin embargo, cuando los datos de los sensores capturados por el número variable de vehículos no son independientes y idénticamente distribuidos (no i.i.d.), esto se vuelve un desafío. Por lo tanto, para agrupar los vehículos con distribuciones de datos similares en un clúster, utilizamos el aprendizaje federado (FL) basado en un mecanismo de atención. Maximizamos conjuntamente la energía disponible de la batería del UAV en cada ventana de transmisión y minimizamos la latencia de comunicación. Los experimentos de simulación revelan que el enfoque FL personalizado propuesto logra una mejora en el rendimiento en comparación con los enfoques FL de referencia. Nuestro modelo, entrenado en el conjunto de datos V2X-Sim, supera a los métodos existentes en indicadores clave de rendimiento. El enfoque FL propuesto con un mecanismo de atención ofrece una reducción en la latencia de comunicación de hasta un 35% y una reducción significativa en la complejidad computacional sin degradación en el rendimiento. Específicamente, logramos una mejora de aproximadamente un 40% en la eficiencia energética del UAV, una reducción del 20% en la sobrecarga de comunicación y una minimización del 15% en el tiempo de permanencia.