Los enjambres de vehículos aéreos no tripulados (UAV) pueden formar arreglos de antenas virtuales (VAA) dispersos para la detección y comunicaciones aéreas, pero su rendimiento de formación de haz es altamente vulnerable a la deriva de formación cuasi-estática y al número limitado de instantáneas disponibles dentro de cada intervalo de procesamiento coherente. Este artículo propone un marco de auto-calibración asistido por baliza y formación de haz robusta para enlaces ascendentes de UAV en regímenes de fuerte interferencia y bajo número de instantáneas. Consideramos una señal de interés (SOI) y múltiples interferentes co-canal caracterizados por su información de dirección de llegada (DOA) gruesa. La idea clave es aprovechar un único emisor no-SOI dominante como una fuerte fuente de calibración (baliza) para aprender la deriva de geometría cuasi-estática a partir de los datos. Primero, la firma espacial de la baliza se extrae de la matriz de covarianza de muestra a través de la alineación de vectores propios y vectores de dirección, y se utiliza una puerta basada en correlación para decidir si la calibración de geometría es confiable. Cuando se pasa la puerta, se estima la deriva de posición entre UAV a partir de las relaciones de dirección de cada elemento para construir un manifold de array calibrado. En segundo lugar, utilizando los vectores de dirección calibrados y la información de DOA gruesa, se reconstruye la matriz de covarianza de interferencia más ruido (INCM) a través de un ajuste de potencia no negativa de baja dimensión con una carga diagonal moderada. Finalmente, se diseña un formador de haz de respuesta sin distorsión de varianza mínima (MVDR) consciente de la geometría basado en la INCM reconstruida. Las simulaciones en formaciones de UAV inspiradas en coprimos con un único interferente dominante muestran que el esquema propuesto recupera la mayor parte de la pérdida de SINR causada por el desajuste de geometría y supera consistentemente al MVDR base, al peor caso de MVDR, a una reciente línea base de reconstrucción de covarianza y a URGLQ en el régimen de bajo número de instantáneas. Por ejemplo, en un escenario representativo con Nuav=7, p=0.10, INRc=30 dB y L=10, el método propuesto logra aproximadamente 14 dB de SINR de salida a SNRin=10 dB, superando al SCM-MVDR nominal por aproximadamente 13 dB y acercándose a un límite de MVDR asistido por genio dentro de unos pocos dB, mientras mantiene una complejidad computacional comparable a la del MVDR estándar.