Actualmente, la inteligencia artificial se encuentra en un importante período de crecimiento. Debido al auge de la tecnología, ahora es posible resolver problemas que antes no se podían resolver. Por ejemplo, a través del aprendizaje orientado a metas, es posible que máquinas o agentes inteligentes puedan realizar tareas sin intervención humana. Sin embargo, esto también conlleva el problema de comprender la toma de decisiones del agente. Por lo tanto, el aprendizaje orientado a metas explicativo intenta eliminar esta brecha. Este trabajo se centra en la adaptabilidad de dos métodos de explicabilidad en entornos continuos. Los métodos basados en el aprendizaje y la introspección propusieron un valor de probabilidad de éxito para explicar el comportamiento del agente. Estos ya habían sido probados en entornos discretos. El entorno continuo utilizado en este estudio es el problema de carreras de coches. Este es un juego de carreras de coches simulado que forma parte de la biblioteca Python Open AI Gym. Los agentes en este entorno fueron entrenados con el algoritmo Deep Q-Network, y paralelamente se implementaron los métodos de explicabilidad. Esta investigación incluyó una propuesta para llevar a cabo la adaptación e implementación de estos métodos en estados continuos. La adaptación del método de aprendizaje produjo cambios importantes, implementados a través de una red neuronal artificial. Las probabilidades obtenidas de ambos métodos fueron consistentes a lo largo de los experimentos. El resultado de probabilidad fue mayor en el método de aprendizaje. En cuanto a los recursos computacionales, el método de introspección fue ligeramente mejor que su contraparte.