La inteligencia artificial y el Internet de las Cosas (IoT) han traído gran conveniencia a la vida cotidiana de las personas. Con la aparición de la computación en el borde, los dispositivos IoT como los vehículos aéreos no tripulados (UAV) pueden procesar datos instantáneamente en el punto de generación, lo que disminuye significativamente la necesidad de potencia de procesamiento a bordo y minimiza el tiempo de transferencia de datos para habilitar aplicaciones en tiempo real. Mientras tanto, con el aprendizaje federado (FL), los UAV pueden mejorar sus capacidades de toma de decisiones inteligentes al aprender de otros UAV sin acceder directamente a sus datos. Esto facilita la rápida iteración y mejora del modelo mientras se protege la privacidad de los datos. Sin embargo, en muchas aplicaciones de UAV, como la logística de UAV, diferentes UAV pueden realizar diferentes tareas y cubrir diferentes áreas, lo que puede resultar en datos heterogéneos y añadir al problema de datos no independientes y distribuidos de manera idéntica (Non-IID) para el entrenamiento del modelo. Para abordar tal problema, introducimos un novedoso marco de FL colaborativo en la nube-borde-final, que organiza y combina clientes locales a través de agrupamiento y agregación. Al emplear la similitud coseno, identificamos e integramos el modelo local más apropiado en el modelo global, lo que puede abordar eficazmente el problema de los datos Non-IID en la logística de UAV. Los resultados experimentales mostraron que nuestro enfoque superó a los algoritmos FL tradicionales en dos conjuntos de datos del mundo real, CIFAR-10 y MNIST.