Este estudio presenta un enfoque de preservación de la privacidad para la detección de acciones en tiempo real en vehículos inteligentes utilizando una red recurrente temporal (TRN) basada en aprendizaje federado (FL). Este enfoque permite a los dispositivos periféricos entrenar modelos de forma independiente, mejorando la privacidad de los datos y la escalabilidad al eliminar la consolidación central de datos. Nuestro TRN basado en FL captura de manera efectiva las dependencias temporales, anticipando acciones futuras con alta precisión. Las pruebas extensas en los conjuntos de datos de Honda HDD y TVSeries demostraron un rendimiento robusto en entornos centralizados y descentralizados, con puntajes competitivos de precisión media promedio (mAP). Los resultados experimentales resaltaron que nuestro TRN basado en FL logró un mAP del 40.0% en entornos descentralizados, igualando de cerca el 40.1% en configuraciones centralizadas. Especialmente, el modelo sobresalió en la detección de maniobras de conducción complejas, con mAPs del 80.7% para el paso de intersecciones y del 78.1% para giros a la derecha. Estos resultados confirman la precisión del modelo en la localización e identificación de acciones. El sistema mostró una escalabilidad y adaptabilidad significativas, manteniendo un rendimiento robusto a medida que aumentaba el número de dispositivos cliente. La integración de un decodificador temporal permitió predecir acciones futuras hasta 2 s antes, mejorando la capacidad de respuesta. Nuestra investigación avanza en la tecnología de vehículos inteligentes, promoviendo la seguridad y eficiencia mientras mantiene estrictos estándares de privacidad.