Recientemente, los Vehículos Aéreos No Tripulados (UAVs) han tenido un impacto significativo en nuestra vida diaria con el avance de las tecnologías y sus aplicaciones. El seguimiento de UAVs se ha vuelto más importante porque no solo proporcionan servicios basados en la ubicación, sino que también se enfrentan a graves amenazas de seguridad y vulnerabilidades. Los UAVs son de naturaleza más pequeña, se mueven a alta velocidad y operan en un entorno de baja altitud, lo que hace concebible rastrear UAVs utilizando radares fijos o móviles. Los métodos basados en Filtro de Kalman (KF) se utilizan ampliamente para extraer información de trayectoria valiosa de muestras compuestas por información ruidosa. Dado que las trayectorias de los UAVs se asemejan a un comportamiento incierto, los métodos tradicionales basados en KF tienen una precisión de seguimiento deficiente. Recientemente, se introdujo el KF basado en Mapa de Difusión (DMK) para modelar incertidumbres en el entorno sin conocimiento previo. Sin embargo, el modelo tiene una precisión deficiente cuando opera en entornos con mayor ruido. Con el fin de lograr un mejor rendimiento de seguimiento, este documento presenta el KF Consciente de la Incertidumbre y el Error (UEAKF) para el seguimiento de UAVs. El método de seguimiento basado en UEAKF proporciona un buen equilibrio entre la confianza de la estimación previa y la medición futura bajo entornos dinámicos; el filtro resultante es robusto y de naturaleza no lineal. Los resultados experimentales mostraron que el modelo de seguimiento de UAV basado en UEAKF logra un rendimiento mucho mejor en el Error Cuadrático Medio (RMSE) en comparación con los modelos de seguimiento de UAV basados en filtro de partículas y DMK existentes.