Proponemos una estrategia de consenso basada en redes neuronales para resolver el problema de líder-seguidor en sistemas de aeronaves no tripuladas (UAS) de múltiples rotores, donde el objetivo de este trabajo fue mejorar el aprendizaje basado en un conjunto de variables auxiliares y filtros de primer orden para obtener el error de estimación de los pesos neuronales e introducir esta información de error en las leyes de actualización. La prueba de estabilidad se realizó basándose en la teoría de Lyapunov, donde concluimos que los errores de formación y el error de estimación de los pesos neuronales estaban uniformemente acotados en última instancia. Se llevaron a cabo un conjunto de resultados de simulación en el entorno de Gazebo para mostrar la eficacia de las nuevas leyes de actualización para la altitud y la dinámica translacional de un grupo de UAS. Los resultados mostraron los beneficios y perspectivas del control coordinado para sistemas multiagente que consideraban la información de error de los pesos en comparación con la estrategia de consenso basada en la modificación clásica. Un estudio comparativo con el índice de rendimiento ITAE e ITSE mostró que el error de seguimiento se redujo en aproximadamente un 45%.