La navegación confiable en redes de vehículos aéreos no tripulados (UAV) cooperativos requiere gestionar de manera adaptativa las degradaciones de las mediciones dentro de los marcos de estimación basados en filtros de Kalman. Este documento presenta un enfoque basado en el aprendizaje de Kalman para la detección en tiempo real de mediciones degradadas en la navegación multi-UAV basada en redes en malla. El método incorpora un módulo de pre-filtrado basado en datos que evalúa la fiabilidad de las mediciones antes de la actualización de Kalman, mejorando así la robustez del proceso de estimación bajo degradaciones inducidas por la comunicación. Dentro de este enfoque, se implementaron y evaluaron comparativamente cuatro estrategias de detección de fallos en las mediciones: Filtro de Innovación (IF), Red Neuronal Profunda (DQN), Perceptrón Multicapa (MLP) y Memoria a Largo y Corto Plazo (LSTM) a través de simulaciones de Monte Carlo que combinan sensores inerciales, tiempo de llegada y observaciones inter-agente basadas en Doppler. Se realizaron análisis estadísticos adicionales, incluidos los márgenes de error de +/-1 y una prueba de suma de rangos de Wilcoxon, para verificar la significancia de las diferencias de rendimiento entre los métodos. Los resultados muestran que el enfoque propuesto mejora significativamente la fiabilidad de la navegación, particularmente bajo condiciones degradadas o intermitentes de GNSS y comunicación. La configuración basada en MLP logró el mejor equilibrio entre la precisión de detección de fallos y la consistencia general del filtro. Estos hallazgos confirman la efectividad de las arquitecturas de filtrado de Kalman aumentadas por el aprendizaje para una navegación cooperativa de UAV robusta y escalable.