La integración de vehículos aéreos no tripulados (VANT) en redes inalámbricas de próxima generación mejora enormemente la flexibilidad y eficiencia de la comunicación y el cálculo distribuido para dispositivos móviles terrestres. El aprendizaje federado (FL) proporciona un paradigma que preserva la privacidad para la colaboración entre dispositivos, pero sigue siendo altamente vulnerable a ataques de envenenamiento y se enfrenta a desafíos adicionales debido a las limitaciones de recursos y los datos heterogéneos comunes en sistemas asistidos por VANT. Los métodos existentes de agregación robusta y detección de anomalías a menudo degradan en eficiencia y fiabilidad bajo estos escenarios adversariales y no IID realistas. Para cerrar estas brechas, proponemos FedULite, un marco de aprendizaje federado ligero y robusto diseñado específicamente para entornos asistidos por VANT. FedULite presenta un aprendizaje de representación local no supervisado optimizado para datos no etiquetados y no IID. Además, FedULite aprovecha una estrategia de agregación robusta y adaptativa del lado del servidor que utiliza filtrado de actualizaciones basado en similitud coseno y tasas de aprendizaje adaptativas por dimensión para neutralizar ataques sofisticados de envenenamiento de datos y modelos. Experimentos extensos en diversos conjuntos de datos y escenarios adversariales demuestran que FedULite reduce la tasa de éxito de ataque (ASR) de más del 90% en escenarios no defendidos a menos del 5%, mientras mantiene la pérdida de precisión de la tarea principal dentro del 2%. Además, introduce una sobrecarga computacional negligible en comparación con el estándar FedAvg, con aproximadamente un 7% de tiempo de entrenamiento adicional.