Varios sistemas de vehículos aéreos no tripulados (UAV) han atraído un considerable interés de investigación debido a sus amplias aplicaciones, como el control de formaciones. Sin embargo, la formación descentralizada de UAV enfrenta desafíos derivados de observaciones locales limitadas, lo que puede llevar a conflictos de consistencia y a una comunicación excesiva. Para abordar estos problemas, este artículo propone SemanticBC-DecAF, un marco de formación adaptativa descentralizada (DecAF) bajo una arquitectura de líder-seguidor, que incorpora un mecanismo de comunicación de difusión semántica (SemanticBC). El marco consta de tres módulos: (1) un módulo de difusión semántica basado en optimización de políticas proximales (PPO), donde el UAV líder transmite imágenes de obstáculos globales codificadas semánticamente a los seguidores para mejorar su percepción; (2) un módulo de detección y estimación de posición basado en YOLOv5, que permite a los seguidores inferir las ubicaciones de los obstáculos a partir de las imágenes recuperadas; y (3) un módulo de formación basado en optimización de políticas proximales multiagente (MAPPO), que fusiona observaciones globales y locales para lograr una formación adaptativa y evitar obstáculos. Los experimentos en el entorno de simulación multiagente MPE muestran que el marco propuesto mejora significativamente la percepción global y la eficiencia de la formación en comparación con métodos que dependen de observaciones locales.