Un desafío fundamental en robótica es razonar con conocimiento del dominio incompleto para explicar observaciones inesperadas y descripciones parciales extraídas de observaciones de sensores. Los sistemas existentes de generación de explicaciones se basan en ideas que se pueden mapear a un espacio multidimensional de características del sistema, definido por distinciones, como cómo representan el conocimiento y si y cómo razonan con orientación heurística. Las instancias en este espacio multidimensional que corresponden a sistemas existentes no soportan todas las capacidades deseadas de generación de explicaciones para robots. Buscamos abordar esta limitación comprendiendo a fondo el rango de capacidades de generación de explicaciones y la interacción entre las distinciones que las caracterizan. Con este objetivo, este artículo primero especifica tres distinciones fundamentales que se pueden utilizar para caracterizar muchos sistemas existentes de generación de explicaciones. Exploramos y entendemos los efectos de estas distinciones comparando las capacidades de dos sistemas que difieren sustancialmente a lo largo de estos ejes, utilizando escenarios de ejecución que involucran a un camarero robot que ayuda a sentar a las personas y entregar pedidos en un restaurante. La segunda parte del artículo utiliza este estudio para argumentar que las capacidades deseadas de generación de explicaciones correspondientes a estas tres distinciones se pueden lograr en su mayoría aprovechando las fortalezas complementarias de los dos sistemas que se exploraron. Esto es seguido por una discusión de las capacidades relacionadas con otras distinciones importantes para proporcionar recomendaciones detalladas para desarrollar un sistema de generación de explicaciones para robots.