Este documento presenta un marco novedoso de aprendizaje profundo para la planificación de trayectorias robóticas que aborda dos desafíos principales: la integración de especificaciones de misión definidas a través de Lógica Temporal Lineal (LTL) y la mejora de la calidad de la trayectoria mediante la integración de una función de coste dentro del espacio de configuración. Nuestro enfoque utiliza un Codificador Automático Variacional Condicional (CVAE) para codificar eficientemente distribuciones óptimas de trayectorias, que posteriormente son procesadas por una red Transformer. Esta red aprovecha la información específica de la misión de las fórmulas LTL para generar secuencias de control, asegurando el cumplimiento de las especificaciones LTL y la generación de trayectorias casi óptimas. Además, nuestro marco incorpora un conjunto de control ancla, una colección seleccionada de valores de control plausibles. En cada paso de tiempo, el método propuesto selecciona y perfecciona un control de este conjunto, permitiendo ajustes precisos para lograr los resultados deseados. El análisis comparativo y las pruebas de simulación rigurosas demuestran que nuestro método supera tanto a las técnicas de planificación de trayectorias tradicionales basadas en muestreo como a otras técnicas de planificación de trayectorias basadas en aprendizaje profundo en cuanto a eficiencia computacional, optimalidad de trayectorias y tasas de éxito de la misión.