El aprendizaje y la planificación son métodos de IA poderosos que exhiben fortalezas complementarias. Mientras que la planificación permite que se computen acciones dirigidas a objetivos cuando se conoce un modelo hacia adelante confiable, el aprendizaje permite obtener tales modelos de manera autónoma. En este artículo describimos cómo ambos métodos pueden combinarse utilizando una representación cualitativa del conocimiento expresiva. Argumentamos que el paso crucial en esta integración es emplear una representación basada en una semántica bien definida. Este artículo propone la lógica espacial cualitativa QSL, una representación que combina la abstracción cualitativa con la lógica temporal lineal, lo que nos permite representar información relevante sobre la tarea de aprendizaje, las acciones posibles y sus consecuencias. Al hacerlo, potenciamos los procesos de razonamiento para mejorar el rendimiento del aprendizaje más allá de los efectos positivos del aprendizaje en espacios de estado abstractos. Experimentos de prueba de concepto en dos entornos de simulación muestran que este enfoque puede ayudar a mejorar la robótica basada en el aprendizaje mediante una convergencia más rápida y conduce a una planificación de acciones más confiable.