La re-identificación de personas (ReID) juega un papel crucial en el avance de las aplicaciones de vigilancia basadas en UAV, permitiendo un seguimiento robusto y un análisis de eventos. Sin embargo, los métodos existentes en escenarios de UAV se centran principalmente en peatones individuales, lo que requiere esfuerzos de anotación engorrosos y carece de una integración fluida con los sistemas de vigilancia terrestres. Estas limitaciones obstaculizan el desarrollo más amplio de la monitorización basada en UAV. Para abordar estos desafíos, este documento propone un marco de Re-identificación Aérea-Terrestre No Supervisada de Peatones a Grupos (UAGRPG). Específicamente, introducimos una estrategia de aprendizaje colaborativo consciente de los vecinos (NCL) y un emparejamiento gradual de gráficos (GGC) para descubrir las asociaciones implícitas entre grupos de diferentes modalidades de manera no supervisada. Además, desarrollamos un módulo de aprendizaje de asociación colaborativa entre modalidades (CCAL) para cerrar las disparidades de características y lograr una alineación suave entre modalidades. Para cuantificar la similitud óptima de grupos entre los dominios aéreo y terrestre, diseñamos una estrategia de transformación de distancia mínima entre peatones. Adicionalmente, introducimos un nuevo conjunto de datos AG-GReID, y experimentos extensos demuestran que nuestro enfoque logra un rendimiento de vanguardia en tareas de re-identificación tanto de peatones como de grupos en escenarios aéreo-terrestres, validando su efectividad en la integración de la vigilancia terrestre y basada en UAV.