En la era del Aprendizaje Automático (ML), enfrentándose a desafíos, incluyendo datos de múltiples sensores en exponencial crecimiento, un número creciente de actuadores y algoritmos intensivos en datos, el desarrollo de Vehículos Aéreos No Tripulados (UAV) se encuentra en una nueva base. En particular, el Sistema de Gestión de Vuelo (FMS) juega un papel esencial en el diseño de UAV. Sin embargo, los compromisos entre rendimiento y SWaP-C (Tamaño, Peso, Potencia y Costo) y la fiabilidad-eficiencia son difíciles de determinar para un sistema tan complejo. Para abordar estos problemas, la identificación de un enfoque exitoso para gestionar la heterogeneidad surge como la cuestión crítica a responder. Este artículo investiga la integración de la Computación Heterogénea (HC) en el FMS en el dominio de UAV desde la academia hasta la industria. La visión general del diseño de FMS en capas cruzadas se describe primero de arriba hacia abajo en la capa de abstracción y de izquierda a derecha en la capa figurativa. Además, se destacan las ventajas de HC de Light-ML, el Aprendizaje Federado (FL) acelerado y los aceleradores de hardware. En consecuencia, se detallan tres enfoques de investigación distintos con aterrizaje guiado visual, diagnóstico y detección de fallos (FDD) inteligente, y electrónica de potencia (PE) embebible en controladores para ilustrar claramente los avances del diseño de FMS de próxima generación desde la detección, y el cálculo, hasta la conducción. Finalmente, se discuten recomendaciones para futuras investigaciones y oportunidades. En resumen, este artículo traza un mapa que considera las ventajas heterogéneas para llevar a cabo la plataforma de Gestión de Vuelo como Servicio (FMaaS) para UAV.