Las redes de computación en el borde vehicular (VECNs) basadas en aprendizaje federado (FL) están surgiendo como un habilitador clave de los sistemas de transporte inteligente, ya que su arquitectura distribuida y que preserva la privacidad puede salvaguardar los datos de los vehículos mientras reduce la latencia y el consumo de energía. Sin embargo, las unidades de carretera convencionales enfrentan cuellos de botella en el procesamiento en tráfico denso y en el borde de la red, lo que motiva la adopción de VECNs asistidas por vehículos aéreos no tripulados (UAV). Para abordar este desafío, este documento propone un marco de VECN asistido por UAV con FL, con el objetivo de mejorar la precisión del modelo mientras se minimiza la latencia y el consumo de energía durante el cálculo y la transmisión. Específicamente, se introduce un mecanismo de selección de clientes basado en reputación para mejorar la precisión y la fiabilidad de la agregación federada. Además, para abordar la dinámica del canal inducida por la alta movilidad de los vehículos, diseñamos un esquema de asignación de recursos robusto basado en aprendizaje por refuerzo. En particular, se desarrolla un algoritmo de gradiente de política determinista profunda asíncrono y paralelo (APDDPG) para asignar de manera adaptativa los recursos de computación y comunicación en respuesta a los estados del canal en tiempo real y las demandas de tareas. Para garantizar la consistencia con los entornos de comunicación vehicular reales, se realizaron experimentos de campo y las mediciones obtenidas se utilizaron como parámetros de simulación para analizar el algoritmo propuesto. En comparación con los algoritmos de última generación, el algoritmo APDDPG desarrollado logra una convergencia un 20% más rápida, un 9% menos de consumo de energía, una precisión de FL del 95.8% y la desviación estándar más robusta bajo condiciones de canal variables.