El aterrizaje autónomo colaborativo de un vehículo aéreo no tripulado (UAV) quadrotor sobre un vehículo terrestre no tripulado (UGV) en movimiento presenta desafíos debido a la necesidad de un seguimiento preciso en tiempo real del UGV y el ajuste de la política de aterrizaje. Para abordar este desafío, proponemos un marco de aprendizaje progresivo para generar una política de aterrizaje óptima basada en visión sin necesidad de comunicación entre el UAV y el UGV. Primero, proponemos el Sistema de Visión de Aterrizaje (LVS) para ofrecer una localización rápida y estimación de la pose del UGV. Luego, diseñamos un enfoque de Aprendizaje Automático de Currículo (ACL) para aprender las tareas de aterrizaje bajo diferentes condiciones de movimientos del UGV e interferencia del viento. Específicamente, introducimos un discriminador de dificultad basado en redes neuronales para programar las tareas de aterrizaje de acuerdo con sus niveles de dificultad. Nuestro método logra una tasa de éxito y precisión de aterrizaje más alta en comparación con el algoritmo de aprendizaje por refuerzo TD3 de última generación.