Este artículo presenta un enfoque eficiente de planificación de tareas y acciones (TAMP) para realizar tareas de manipulación complejas en entornos dinámicos. Los enfoques TAMP existentes basados en LLM presentan limitaciones, ya que son estáticos y se basan en plantillas, lo que limita su adaptabilidad a entornos dinámicos y contextos de tareas complejos. Para abordar este problema, proponemos el marco Onto-LLM-TAMP, que mejora y amplía las indicaciones del usuario con inferencia del contexto de la tarea y descripciones del estado del entorno basadas en el conocimiento mediante el aprovechamiento del razonamiento basado en el conocimiento. Al incorporar conocimiento específico del dominio en las indicaciones, garantizamos planes de tareas semánticamente precisos y conscientes del contexto. A través de simulaciones y escenarios del mundo real, demostramos mejoras significativas sobre los enfoques existentes en términos de adaptabilidad a entornos dinámicos y generación de planes de tareas semánticamente precisos. En particular, demostramos que es eficaz en la resolución de errores semánticos en la generación de planes simbólicos, como el mantenimiento del orden lógico temporal de los objetivos en escenarios de colocación jerárquica de objetos.
