Los robots autónomos están desempeñando un papel importante para resolver el problema de Localización y Mapeo Simultáneos (SLAM) en diferentes dominios. Para generar soluciones flexibles, inteligentes e interoperables para SLAM, es imprescindible modelar el complejo conocimiento gestionado en estos escenarios (es decir, características y capacidades de los robots, información de mapas, ubicaciones de robots y puntos de referencia, etc.) con una representación estándar y formal. Algunos estudios han propuesto ontologías como la representación estándar de dicho conocimiento; sin embargo, la mayoría de ellos solo cubren aspectos parciales de la información gestionada por las soluciones SLAM. En este contexto, la principal contribución de este trabajo es una ontología completa, llamada OntoSLAM, para modelar todos los aspectos relacionados con los robots autónomos y el problema SLAM, hacia la estandarización necesaria en robótica, que no se ha alcanzado hasta ahora con las ontologías SLAM existentes. Se realiza una evaluación comparativa de OntoSLAM con ontologías SLAM de vanguardia, para mostrar cómo OntoSLAM cubre las lagunas de los modelos de representación de conocimiento SLAM existentes. Los resultados muestran la superioridad de OntoSLAM a nivel y similitudes con otras ontologías a niveles. Además, OntoSLAM se integra en el Sistema Operativo de Robots (ROS) y el simulador Gazebo para probarlo con robots Pepper y demostrar su idoneidad, aplicabilidad y flexibilidad. Los experimentos muestran cómo OntoSLAM proporciona beneficios semánticos a los robots autónomos, como la capacidad de inferir datos a partir de una representación de conocimiento organizada, sin comprometer la información para la aplicación y acercándose a la estandarización necesaria en robótica.