Para abordar los crecientes desafíos de seguridad planteados por los Vehículos Aéreos No Tripulados no autorizados, este documento presenta una plataforma de simulación de fusión audio-visual informada por la física Sim2real diseñada para mejorar el rendimiento de detección y seguimiento de Vehículos Aéreos No Tripulados. El método propuesto integra dos canales de detección complementarios: un sistema de localización acústica basado en la física que utiliza principios de Diferencia de Tiempo de Llegada y un marco de detección visual impulsado por aprendizaje profundo. Para garantizar una vigilancia robusta contra objetivos no cooperativos, estos canales no solo se fusionan a través de una estricta sincronización espaciotemporal, sino que también se refuerzan mutuamente: los datos acústicos guían la atención visual en escenarios de baja visibilidad típicos de intrusiones adversarias, mientras que las detecciones visuales refinan la estimación de parámetros acústicos. Basándonos en trabajos anteriores en percepción multimodal, extendemos el marco a entornos dinámicos caracterizados por obstrucciones visuales configurables, incluyendo humo y niebla, que a menudo comprometen los sistemas ópticos convencionales anti-drones. Los experimentos demuestran que el sistema de fusión se adapta progresivamente a condiciones visuales degradadas, extendiendo la continuidad de seguimiento de aproximadamente un 50% de cobertura bajo operación solo visual a una conciencia de objetivo casi continua, con un compromiso moderado en la precisión angular promedio cuando se incluyen segmentos solo acústicos. La validación física con Vehículos Aéreos No Tripulados quadrotor confirma la capacidad de la plataforma para cerrar las brechas entre simulación y realidad. Nuestros resultados destacan la robustez del sistema contra la degradación del sensor y su potencial para acelerar el desarrollo de sistemas resilientes multisensor de Vehículos Aéreos No Tripulados, al tiempo que reduce la dependencia de pruebas de campo costosas.