其他车辆动作预测方法及其他车辆动作预测装置

摘要

其他车辆动作预测方法基于在相邻车道(G2)上行驶的其他车辆(12)的行为，预测其他车辆(12)在本车辆(11)的前方从相邻车道(G2)向本车辆(11)行驶的本车道(G1)进行车道变更。在该其他车辆动作预测方法中，获取表示与相邻车道(G2)相关的交通规则的交通规则信息，预测按照交通规则行驶时的其他车辆(12)的预测行驶状态，计算其他车辆(12)识别到交通规则的识别可能性，并基于识别可能性、预测行驶状态以及实际的行驶状态，预测其他车辆(12)进行车道变更的情况。

权利要求

1.一种其他车辆动作预测装置的其他车辆动作预测方法，基于在与本车辆行驶的本车道相邻的车道即相邻车道上行驶的其他车辆的行为，预测所述其他车辆在所述本车辆的前方从所述相邻车道向所述本车道进行车道变更，其特征在于，获取所述其他车辆的实际行驶状态，

获取表示与所述相邻车道相关的所述其他车辆前方的交通规则的信息即交通规则信息，预测所述其他车辆按照所述交通规则行驶时的所述其他车辆的行驶状态即预测行驶状态，计算表示所述其他车辆识别到所述交通规则的可能性的识别可能性，比较所述预测行驶状态和所述实际行驶状态，

基于所述比较的结果和所述识别可能性，预测所述其他车辆进行所述车道变更。

2.如权利要求1所述的其他车辆动作预测方法，其特征在于，所述预测行驶状态由表示所述其他车辆的位置、姿势、速度、加速度以及行驶轨迹中的任意一个的数值、或者表示任意两个以上的数值的组合表现。

3.如权利要求1所述的其他车辆动作预测方法，其特征在于，所述预测行驶状态由与所述其他车辆相对于所述相邻车道或所述本车道的朝向、所述其他车辆在所述相邻车道中的车宽方向的位置、所述其他车辆的速度、所述其他车辆的加速度、以及所述其他车辆的减速度中的任意一个相关的其他车辆的状态、或者与两个以上相关的其他车辆的状态的组合表现。

4.如权利要求1～3中任一项所述的其他车辆动作预测方法，其特征在于，基于所述交通规则信息、与所述相邻车道相关的道路结构、以及与所述相邻车道相关的道路的限制速度，预测所述预测行驶状态。

5.如权利要求1～3中任一项所述的其他车辆动作预测方法，其特征在于，使用所述其他车辆的可识别所述交通规则的最大范围即最大识别范围、和可识别与所述其他车辆的车高以及所述其他车辆的行驶环境对应的所述交通规则的范围即部分识别范围，计算所述识别可能性。

6.如权利要求5所述的其他车辆动作预测方法，其特征在于，在所述最大识别范围和所述部分识别范围这两者中包含能够识别到所述交通规则的道路结构或表示所述交通规则的物标的情况下，与在所述最大识别范围和所述部分识别范围这两者中不包含所述道路结构或所述物标的情况相比，计算出更高的所述识别可能性。

7.如权利要求5所述的其他车辆动作预测方法，其特征在于，在所述最大识别范围或所述部分识别范围中包含能够识别到所述交通规则的道路构造及表示所述交通规则的物标中的任意一个的整体的情况下，与仅包含所述一个的一部分的情况相比，计算出更高的所述识别可能性。

8.如权利要求5所述的其他车辆动作预测方法，其特征在于，从所述其他车辆到能够识别到所述交通规则的道路结构或表示所述交通规则的物标的距离越短，则计算出越高的所述识别可能性。

9.如权利要求5所述的其他车辆动作预测方法，其特征在于，使用所述本车辆能够识别到所述交通规则的本车辆识别范围作为所述最大识别范围或所述部分识别范围，计算所述识别可能性。

10.如权利要求5所述的其他车辆动作预测方法，其特征在于，基于所述本车辆实际检测到的能够识别到所述交通规则的道路结构或表示所述交通规则的物标，计算所述识别可能性。

11.如权利要求1～3中任一项所述的其他车辆动作预测方法，其特征在于，在检测出所述实际行驶状态发生了变化的情况下，获取所述实际行驶状态。

12.如权利要求11所述的其他车辆动作预测方法，其特征在于，在不同的两个时刻的所述实际行驶状态之间存在第一基准值以上的差值的情况下、或者，在不同的两个时刻的每单位时间的所述实际行驶状态的变化量之间存在第二基准值以上的差值的情况下，检测出所述实际行驶状态发生了变化。

13.如权利要求11所述的其他车辆动作预测方法，其特征在于，获取变化后的所述实际行驶状态，

所述变化后的所述实际行驶状态由表示所述其他车辆的位置、姿势、速度、加速度以及行驶轨迹中的任意一个的数值、或者表示任意两个以上的数值的组合来表现。

14.如权利要求11所述的其他车辆动作预测方法，其特征在于，获取表示所述行驶状态的变化的信息即变化信息，并作为所述实际行驶状态，所述变化信息为，能够由表示所述其他车辆的位置、姿势、速度、加速度以及行驶轨迹中的任意一个的数值、或者表示任意两个以上的数值的组合表现的信息；或者，能够由与所述其他车辆相对于所述相邻车道或所述本车道的朝向、所述其他车辆在所述相邻车道中的车宽方向上的位置、所述其他车辆的速度、所述其他车辆的加速度、以及所述其他车辆的减速度中的任意一个相关的其他车辆的状态、或者与两个以上相关的其他车辆的状态的组合表现的信息。

15.如权利要求1～3中任一项所述的其他车辆动作预测方法，其特征在于，比较所述预测行驶状态和所述实际行驶状态，并计算出所述实际行驶状态相对于所述预测行驶状态的偏移量，在所述识别可能性高于预定的第一阈值、且所述偏移量大于预定的第二阈值的情况下，预测所述其他车辆进行所述车道变更，在所述偏移量大于所述第二阈值、且大于预定的第三阈值的情况下，预测所述其他车辆进行所述车道变更。

16.如权利要求1～3中任一项所述的其他车辆动作预测方法，其特征在于，比较所述预测行驶状态和所述实际行驶状态，并计算出所述实际行驶状态相对于所述预测行驶状态的差异性，在所述识别可能性高于预定的第四阈值、且所述差异性大于预定的第五阈值的情况下，预测所述其他车辆进行所述车道变更，在所述差异性大于所述第五阈值、且大于预定的第六阈值的情况下，预测所述其他车辆进行所述车道变更。

17.如权利要求1～3中任一项所述的其他车辆动作预测方法，其特征在于，比较所述预测行驶状态和所述实际行驶状态，并计算出表示所述其他车辆进行所述车道变更的可能性的车道变更可能性，在所述车道变更可能性高于第七阈值的情况下，预测所述其他车辆进行所述车道变更。

18.如权利要求15所述的其他车辆动作预测方法，其特征在于，比较所述预测行驶状态和所述实际行驶状态，并计算出表示所述其他车辆进行所述车道变更的可能性的车道变更可能性，所述偏移量越大，则计算出越高的所述车道变更可能性。

19.如权利要求16所述的其他车辆动作预测方法，其特征在于，比较所述预测行驶状态和所述实际行驶状态，并计算出表示所述其他车辆进行所述车道变更的可能性的车道变更可能性，所述差异性越大，则计算出越高的所述车道变更可能性。

20.如权利要求17所述的其他车辆动作预测方法，其特征在于，比较所述预测行驶状态和所述实际行驶状态，

基于比较的结果以及所述识别可能性计算出所述车道变更可能性。

21.如权利要求17所述的其他车辆动作预测方法，其特征在于，按照作为表示所述交通规则的物标的路牌、箭头信号、路面标识、以及道路结构的顺序，较高地计算出所述车道变更可能性。

22.如权利要求17所述的其他车辆动作预测方法，其特征在于，获取除了所述其他车辆以外的在所述相邻车道上行驶的第三车辆的实际行驶状态，比较所述第三车辆的实际行驶状态和所述其他车辆的实际行驶状态，并计算出所述车道变更可能性。

23.如权利要求17所述的其他车辆动作预测方法，其特征在于，为了多级地控制所述本车辆与所述其他车辆之间的车间距离以及所述本车辆的速度，使用相互不同的多个基准值来判断所述车道变更可能性。

24.一种其他车辆动作预测装置，具有控制部，该控制部基于在与本车辆行驶的本车道相邻的车道即相邻车道上行驶的其他车辆的行为，预测所述其他车辆在所述本车辆的前方从所述相邻车道向所述本车道进行车道变更，其特征在于，所述控制部，

获取所述其他车辆的实际行驶状态，

获取表示与所述相邻车道相关的所述其他车辆前方的交通规则的信息即交通规则信息，预测所述其他车辆按照所述交通规则行驶时的所述其他车辆的行驶状态即预测行驶状态，计算表示所述其他车辆识别到所述交通规则的可能性的识别可能性，比较所述预测行驶状态和所述实际行驶状态，

基于所述比较的结果和所述识别可能性，预测所述其他车辆进行所述车道变更。

说明书

其他车辆动作预测方法及其他车辆动作预测装置

技术领域

[0001] 本发明涉及一种其他车辆动作预测方法以及其他车辆动作预测装置。。

背景技术

[0002] 一直以来，已知有推定其他车辆的行驶轨迹的技术(参照专利文献1)。专利文献1所公开的装置在遵守交通规则的条件以及不遵守交通规则的条件下分别求出其他车辆的行驶轨迹，获取其他车辆行驶的车道的方向与其他车辆的车轴的方向之间的偏移即轴线偏移。并且，在轴线偏移较小的情况下，维持遵守交通规则的条件下的行驶轨迹，在轴线偏移较大的情况下，切换到不遵守交通规则的条件下的行驶轨迹，由此推定其他车辆的行驶轨迹。

[0003] 现有技术文献

[0004] 专利文献

[0005] 专利文献1：日本特开2009－3650号公报

[0006] 根据专利文献1，在轴线偏移大于阈值的情况下，推定不遵守交通规则的条件下的行驶轨迹。因此，如果不是在检测到其他车辆向车轴方向的较大运动之后，则无法预测不遵守交通规则的条件下的行驶轨迹。因此，存在其他车辆的行驶轨迹的预测延迟的情况。另一方面，在减小了轴线偏移的阈值的情况下，有时会错误地预测其他车辆的行驶轨迹。这样，存在仅通过轴线偏移无法迅速且正确地预测其他车辆的行驶轨迹的问题。

发明内容

[0007] 本发明是鉴于上述课题而完成的，其目的在于提供一种抑制错误地预测以及延迟预测其他车辆的动作的其他车辆动作预测方法以及其他车辆动作预测装置。

[0008] 本发明的一方式是一种其他车辆动作预测方法，基于在相邻车道上行驶的其他车辆的行为，预测其他车辆在本车辆的前方从相邻车道向本车辆行驶的本车道进行车道变更。在其他车辆动作预测方法中，获取其他车辆的实际的行驶状态，获取表示与相邻车道相关的交通规则的交通规则信息，并预测按照交通规则行驶时的其他车辆的行驶状态即预测行驶状态，计算出其他车辆识别交通规则的识别可能性，并基于识别可能性、预测行驶状态以及实际行驶状态预测其他车辆进行车道变更。

[0009] 根据本发明的一方式，能够抑制错误地预测以及延迟预测其他车辆的动作。

附图说明

[0010] 图1是表示实施方式的其他车辆动作预测装置的结构的框图。

[0011] 图2是表示作为实施方式的其他车辆动作预测方法的图1的其他车辆动作预测装置的动作例的流程图。

[0012] 图3A是表示实施方式的驾驶辅助装置有效地发挥功能的行驶场景的一例的顶视图。

[0013] 图3B是表示从图3A所示的状态经过一定时间后的状态的顶视图。

[0014] 图4是表示基于偏移量和识别可能性判断其他车辆12是否进行车道变更时所参照的数据的一例的表。

[0015] 图5是表示基于差异性和识别可能性判断其他车辆12是否进行车道变更时所参照的数据的一例的表。

[0016] 图6是表示基于车道变更可能性Pd和识别可能性R计算车道变更可能性P时所参照的数据的一例的表。

具体实施方式

[0017] 下面，参照附图详细说明实施方式。

[0018] 实施方式的驾驶辅助装置例如在图3A和图3B所示的行驶场景中有效地发挥功能。图3A和图3B表示在由2车道(G1、G2)构成的单向通行道路中，本车辆11在左侧车道G1(本车道)上行驶，其他车辆12在与本车道相邻的车道即右侧车道G2(相邻车道)上并行行驶的行驶场景。左侧车道G1在车辆11的前方是直线车道。另一方面，右侧车道G2在其他车辆12的前方是向右弯曲的转弯车道、即“右转专用车道”。也就是说，左侧车道G1和右侧车道G2在本车辆11和其他车辆12的前方分支，形成目的地相互不同的道路。

[0019] 在该行驶场景中，本车辆11和其他车辆12这两者意图在该道路上直行。因此，本车辆11在按照直行意图的正确的车道G1上行驶。另一方面，与直行的意图相反，其他车辆12在前方成为右转专用车道的车道(车道G2)上行驶。因此，其他车辆12为了直行而需要从当前行驶的右侧车道G2向左侧车道G1进行车道变更。

[0020] 另外，在图3A和图3B的行驶场景中，其他车辆12也可以通过自动驾驶以及手动驾驶中的任一种进行行驶。“自动驾驶”是指规定的车辆行驶控制装置主要进行与车辆驾驶有关的识别、判断、操作的一部分或全部的驾驶模式。另外，“手动运转”是其他车辆12的乘员(人)即驾驶员进行车辆驾驶的驾驶模式。

[0021] 在其他车辆12的前方，前行车辆13在右侧车道G2上行驶。在右侧车道G2的路面上标记有道路标识、即“右转箭头14”。在此，“右转箭头14”是表示“在标记有右转箭头14的车道上，车辆能够行驶的方向为右转”这样的交通规则的道路标识。在此，“道路标识”是指针对道路的交通以表示限制或指示的标识描绘在路面上的由道路钉、涂料、石头等形成的线、记号或文字。

[0022] 但是，例如，如图3A所示，由于前行车辆13在右转箭头14上行驶、或者在右转箭头14上停止，因此存在其他车辆12无法视觉识别或检测前方的右转箭头14的情况。在这种情况下，其他车辆12可能无法识别“在当前行驶的右侧车道G2上继续行驶的情况下，能够行驶的方向为右转”这样的交通规则。在多辆前行车辆13构成车队的情况下，无法视觉识别或检测右转箭头14的可能性进一步提高。

[0023] 然后，如图3B所示，只有在前行车辆13通过右转箭头14，其他车辆12才能够首次视觉识别或检测到右转箭头14。换言之，其他车辆12才能够首次识别到“在继续右侧车道G2上的行驶的情况下，能够行驶的方向为右转”这样的交通规则。对应从交通规则的不识别向识别的变化，有时其他车辆12的行驶状态(包括车辆的行为)会发生变化。例如，有时发生向右侧车道G2侧的横向靠近即右侧车道G2内的车道宽度方向的位置变化、或者急剧的减速即减速度的增加等。

[0024] 在实施方式中，对检测出其他车辆12的行驶状态变化，考虑到其他车辆12识别出交通规则的可能性即识别可能性，预测其他车辆12从右侧车道G2向左侧车道G1进行车道变更的装置和方法进行说明。根据该装置以及方法，不仅考虑行驶状态的变化，还考虑识别可能性，由此能够抑制错误地预测以及延迟预测车道变更。以下，对实施方式的其他车辆动作预测方法以及其他车辆动作预测装置进行详细说明。另外，图3A以及图3B所示的行驶场景是实施方式的其他车辆动作预测方法以及其他车辆动作预测装置有效发挥功能的行驶场景的一例，并不限定实施方式的其他车辆动作预测方法以及其他车辆动作预测装置所应用的范围。

[0025] 参照图1说明实施方式的其他车辆动作预测装置的结构。其他车辆动作预测装置具备控制部。控制部基于在相邻车道G2上行驶的其他车辆12的行为，预测其他车辆12在本车辆11的前方从相邻车道G2向本车道G1进行车道变更。控制部具备：物体检测部102、本车辆位置推定部101、交通规则信息获取部104、微型计算机。

[0026] 物体检测部102具备搭载在本车辆11上的激光雷达、毫米波雷达、摄像机、制导器(LiDAR：Light Detection and Ranging)等检测本车辆11周围的物体的多个不同种类的物体检测传感器。物体检测部102使用多个物体检测传感器检测本车辆11周围的物体。物体检测部102检测包含二轮车的其他车辆12、包含自行车的轻型车、行人等移动物体、以及停车车辆等静止物体。例如，检测移动物体和静止物体相对于本车辆11的位置、姿势、大小、速度、加速度、减速度、偏航率。另外，将物体的位置、姿势(偏航角)、大小、速度、加速度、减速度、偏航率统称为物体的“行为”。在物体是其他车辆12的情况下，物体检测部102检测其他车辆12的实际的行驶状态(以下，简称为“实际行驶状态”)作为物体的行为。

[0027] 物体检测部102将从多个物体检测传感器的每一个获取的多个检测结果进行整合，并对各个物体输出一个检测结果。具体而言，根据从各个物体检测传感器获取的物体的行为，在考虑了各个物体检测传感器的误差特性等的基础上计算出误差最小的最合理的物体的行为。具体而言，通过使用已知的传感器融合技术，综合评价由多种传感器获取的检测结果，得到更正确的检测结果。

[0028] 物体检测部102追随检测到的物体。具体而言，基于整合后的检测结果，根据在不同时刻输出的物体的行为，进行不同时刻之间的物体的同一性的验证(一一对应)，并且，基于该一一对应，预测物体的行为。另外，在不同时刻输出的物体的行为存储在微型计算机内的存储器中，用于后述的其他车辆12的动作预测。

[0029] 物体检测部102例如输出从本车辆11的上方的空中观察到的顶视图中的二维物体的行为作为检测结果。

[0030] 其他车辆12的实际行驶状态由表示包括其他车辆12的绝对位置以及相对位置的位置、姿势(偏航角)、速度、加速度以及行驶轨迹中的任意一个的数值、或者表示任意两个以上的数值的组合来表现。另外，其他车辆12的行驶轨迹表示其他车辆12的位置的时间序列。例如，在以行驶轨迹和速度的组合来表现的情况下，实际行驶状态具备不同时刻的其他车辆12的位置的曲线和各位置的其他车辆12的速度的曲线。

[0031] 或者，其他车辆12的实际行驶状态为：其他车辆12相对于相邻车道(右侧车道G2)或者本车道(左侧车道G1)的朝向、其他车辆12在相邻车道中的车宽方向的位置、其他车辆12的速度、其他车辆12的加速度、以及其他车辆12的减速度中的任意一个相关的其他车辆
12的状态、或者两个以上相关的其他车辆12的状态的组合来表现。例如，能够以“行驶方向沿着右侧车道G2”、“行驶方向向左侧车道G1侧转弯”、“车道宽度方向的位置靠近左侧车道G1侧”、“正在加速”、“正在减速”、“速度恒定”等其他车辆12的状态来表现实际行驶状态。

[0032] 本车辆位置推定部101具备搭载在本车辆11上的接收GPS(全球定位系统)信号的接收装置等、计测本车辆11的地球坐标中的位置(绝对位置)以及姿势(绝对姿势)的位置检测传感器。另外，本车辆位置推定部101具备进行里程表和航位推算的计算处理电路。具体而言，本车辆位置推定部101使用检测本车辆11的各车轮的车轮速度的车轮速度传感器、检测转向轮的转向角的转向角传感器以及计算处理电路，能够计测本车辆11相对于规定的基准点的相对位置、相对姿势以及速度。将表示本车辆11的绝对位置、绝对姿势、相对位置、相对姿势的信息称为“表示本车辆11的位置及姿势的信息”。本车辆位置推定部101能够根据表示本车辆11的位置以及姿势的信息，检测地图上的本车辆11的位置以及姿势。地图由预先存储在地图数据库111中的地图数据来表示。

[0033] 交通规则信息获取部104获取表示与本车辆11的周围的道路相关的交通规则的信息(交通规则信息)。例如，获取相对于本车道G1在左侧或右侧相邻的车道的本车辆11的前方的交通规则信息。另外，能够获取在本车辆11的周围的道路中、与作为车道变更的判断对象的其他车辆12行驶的相邻车道(右侧车道G2)相关的、其他车辆12前方的交通规则信息。当然，在没有确定车道变更的判断对象的情况下，也可以不确定为车道，而获取与本车道G1的两侧相邻的车道相关的交通规则信息。在地图数据库111中存储的地图数据中包含表示包括本车道G1以及相邻车道G2的道路的结构以及构成道路的各车道的结构的数据，进而，与道路的结构相关联而将与本车道G1以及相邻车道G2相关的交通规则信息也存储在地图数据库111中。

[0034] 另外，地图数据库111可以搭载在本车辆11上，也可以不搭载。在未搭载的情况下，交通规则信息获取部104例如能够通过高度道路交通系统(ITS)或新交通管理系统(UTMS)中的车车间/车道间通信、或者3G或LTE等移动体通信，从车外获取地图数据及交通规则信息。

[0035] 另外，交通规则信息获取部104也可以根据使用物体检测部102所具备的摄像机获取的本车辆11的周围的图像，识别标记在路面上的表示与道路的交通有关的限制或指示的道路标识。交通规则信息获取部104也可以根据本车辆11的周围的图像识别设置在道路周围的道路标识。交通规则信息获取部104也可以根据本车辆11的周围的图像识别标记在路面上的车道边界线，从而获取车道结构。

[0036] 微型计算机基于物体检测部102的检测结果、本车辆位置推定部101的推定结果、以及交通规则信息获取部104的获取信息，预测其他车辆12进行车道变更。

[0037] 微型计算机是具有CPU(中央处理装置)、RAM和ROM等存储器、以及输入输出部的通用的微型计算机。在微型计算机中安装有用于作为其他车辆动作预测装置的一部分发挥功能的计算机程序(其他车辆动作预测程序)。通过执行计算机程序，微型计算机作为其他车辆动作预测装置所具备的多个信息处理电路(103、105、106、107、108)发挥功能。另外，在此，表示通过软件实现其他车辆动作预测装置所具备的多个信息处理电路(103、105～108)的示例。当然，也可以准备用于执行以下所示的各信息处理的专用硬件，构成信息处理电路(103、105～108)。另外，也可以由单独的硬件构成多个信息处理电路(103、105～108)。另外，信息处理电路(103、105～108)也可以兼用作在与本车辆11相关的其他控制中使用的电子控制单元(ECU)。在本实施方式中，作为一例，微型计算机还实现了基于其他车辆动作的预测结果来执行本车辆11的自动驾驶的信息处理电路(109、110)。

[0038] 微型计算机具备：动作候补生成部103、规则导出部105、识别可能性计算部106、行驶状态变化检测部107、预测动作确定部108、本车辆路径生成部109、车辆控制部110作为多个信息处理电路(103、105～110)，。

[0039] 动作候补生成部103基于道路结构以及车道结构，预测其他车辆12在很近的将来可能行动的动作候补。在动作候补生成部103预测的动作候补中还包含车道变更。动作候补生成部103根据道路结构以及其他车辆所属的车道的结构，预测其他车辆12接下来如何行驶的动作意图，计算基于该动作意图的其他车辆的基本轨迹。“动作候补”是包含动作意图及基本轨迹的上位概念。“基本轨迹”不仅表示不同时刻的其他车辆的位置的曲线，还表示各位置的其他车辆12的速度的曲线。

[0040] 例如，如图3A所示，动作候补生成部103预测其他车辆12在相邻车道(右侧车道G2)上持续行驶的动作意图，计算沿着右侧车道G2的形状行驶的基本轨迹。另外，动作候补生成部103预测在本车辆11的前方其他车辆12从相邻车道(右侧车道G2)向本车道(左侧车道G1)变更车道的动作意图。然后，动作候补生成部103计算在本车辆11的前方从右侧车道G2向左侧车道G1变更车道的基本轨迹。

[0041] 在本实施方式中，如图3A所示，“车道变更”包括在本车辆11的前方的本车道G1上没有形成车队的行驶场景中的车道变更、所谓“通常的车道变更”。在“车道变更”中，还包括在本车辆11的前方的本车道G1上形成有车队的行驶场景中向该车队中插入的所谓“插队”。另外，“插队”与“插入(cut～in)”意思相同。

[0042] 规则导出部105在交通规则信息获取部104获取了与相邻车道(右侧车道G2)相关的其他车辆12前方的(其他车辆今后到达的地点的)交通规则的情况下，预测其他车辆12沿着前方的交通规则行驶时的行驶状态即“预测行驶状态”作为规则。其他车辆12的“预测行驶状态”表示在其他车辆12按照与相邻车道相关的前方的交通规则行驶的情况下，预测其他车辆12采取的行动的行驶状态。另外，在以下的记载中，“交通规则”是指其他车辆12前方的交通规则。

[0043] 其他车辆12的预测行驶状态与实际行驶状态同样，能够通过数值或数值的组合来表现。即，预测行驶状态由表示包含其他车辆12的绝对位置以及相对位置的位置、姿势(偏航角)、速度、加速度以及行驶轨迹中的任意一个的数值、或者表示任意两个以上的数值的组合来表现。例如，在以行驶轨迹和速度的组合来表现的情况下，预测行驶状态具备不同时刻的其他车辆12的位置的曲线和各位置的其他车辆12的速度的曲线。

[0044] 或者，预测行驶状态也可以通过与其他车辆12相对于相邻车道(右侧车道G2)或本车道(左侧车道G1)的朝向、其他车辆12在相邻车道中的车宽方向的位置、其他车辆12的速度、其他车辆12的加速度以及其他车辆12的减速度中的任意一个相关的其他车辆12的状态、或者与两个以上相关的其他车辆12的状态的组合来表现。

[0045] 规则导出部105也可以根据交通规则信息、与相邻车道(G2)相关的道路结构、以及与相邻车道(G2)相关的道路的限制速度，对预测行驶状态进行预测。具体而言，根据右转专用车道这样的限制(交通规则的一例)，在其他车辆12的前方向右方向弯曲这样的相邻车道(G2)的形状(道路结构的一例)，计算沿着右侧车道G2的形状向右方向转弯约90度的其他车辆12的预测行驶状态。

[0046] 或者，规则导出部105也可以从由动作候补生成部103生成的多个动作候补中选择预测行驶状态。另外，通过考虑与相邻车道(G2)相关的道路的限制速度，能够预测其他车辆12的速度的曲线。

[0047] 识别可能性计算部106计算表示其他车辆12识别到交通规则的可能性的“识别可能性”。这里的“交通规则”至少包括与相邻车道(右侧车道G2)相关的交通规则。即，识别可能性计算部106计算出其他车辆12识别到与行驶中的车道(G2)有关的交通规则的可能性作为“识别可能性”。另外，由于识别可能性表示其他车辆12的与识别相关的可能性，因此也可以不与本车辆11即交通规则信息获取部104是否获取了与相邻车道(右侧车道G2)相关的交通规则直接相关联。当然，如后所述，也可以将本车辆11的与识别相关的可能性与其他车辆12的“识别可能性”相关联。

[0048] 例如，识别可能性计算部106能够使用作为多个可识别范围的一例的最大识别范围和部分识别范围来计算识别可能性。“最大识别范围”是指，例如在其他车辆12通过手动驾驶行驶的情况下，是根据人的视觉特性(例如，一般的驾驶员的视力)计算出的能够识别交通规则的最大范围。另一方面，在其他车辆12是通过自动驾驶行驶的情况下，是根据搭载于其他车辆12上的物体检测传感器的传感范围计算出的能够识别交通规则的最大范围。最大识别范围是由距其他车辆12的距离决定的范围，例如，可以将以其他车辆12为中心的、以与人的视觉特性对应的距离(图3A中的La)为半径的圆的范围作为最大识别范围。

[0049] 另一方面，“部分识别范围”是指基于其他车辆12的车高以及其他车辆12的行驶环境计算出的能够识别交通规则的范围。例如，由于其他车辆12的车高低，因此有时其他车辆12的周围的物体(行驶环境的一例)遮挡能够识别交通规则的道路结构或交通标识等表示交通规则的物标。此时，其他车辆12无法识别或检测到道路结构或物标，从而无法识别到交通规则。因此，识别可能性计算部106通过考虑其他车辆12的车高以及其他车辆12的行驶环境，能够以不包含表示被遮蔽(存在于死角)的交通规则的物标的方式计算出部分识别范围。例如，如图3A的区域Lb所示，可以在规定视角的传感范围内识别到交通规则。但是，由于被前行车辆13遮挡的区域成为其他车辆12的死角，所以无法识别或检测到交通规则。当然，在其他车辆12的车高充分高于前行车辆13的车高的情况下，前行车辆13的行进方向前方的区域不会成为其他车辆12的死角。因此，在这种情况下，部分识别范围比图3A的区域Lb更宽。这样，能够基于其他车辆12的车高以及其他车辆12的行驶环境(前行车辆13的存在)计算出部分识别范围Lb。另外，由于在物体检测中会产生误差，所以缩小识别范围的物体(遮挡物)的周边也可以缩小“部分识别范围”。另外，也可以根据遮蔽物的传感范围的遮蔽率(存在遮蔽物时的物体检测传感器的传感范围相对于没有遮蔽物时的物体检测传感器的传感范围的比例)计算出识别可能性。例如，若图3A的前行车辆13(遮蔽物的一例)的传感范围的遮蔽率为20％，则可以将识别可能性R1计算为0.8。

[0050] 识别可能性计算部106能够通过使用最大识别范围(半径La的圆)和部分识别范围Lb的各种方法来计算识别可能性。作为具体的计算例，以下示出第一计算基准～第五计算基准。

[0051] (第一计算基准)

[0052] 识别可能性计算部106在最大识别范围和部分识别范围这两者中包含表示能够识别交通规则的道路结构或交通规则的物标的情况下，与在最大识别范围和部分识别范围这两者中不包含道路结构或物标的情况相比，能够计算出更高的识别可能性。“在最大识别范围和部分识别范围的双方中不包含道路结构或上述物标的情况”中包含：仅在最大识别范围或部分识别范围的一方中包含道路结构或物标的情况、和在最大识别范围及部分识别范围的任一方中都不包含道路结构或物标的情况。“能够识别交通规则的道路结构”包括车道边界线。例如，识别可能性计算部106能够根据直线、右转弯、左转弯等车道边界线的形状、或者例如白色虚线、白色实线、黄色实线等车道边界线的种类来识别交通规则。“表示交通规则的物标”中包括：其他车辆12前方的路面喷涂等的交通标示、道路标识(包括交通标识)、以及与道路或交通的状况对应的引导、提醒注意、指导用的路牌。道路标识中包含：进行通行的禁止、限制等限制的限制标识、辅助地进行对设置的标识的理由(车辆种类、时间、区间等)的表示的辅助标识。

[0053] (第二计算基准)

[0054] 识别可能性计算部106在最大识别范围或部分识别范围中包含能够识别交通规则的道路结构以及表示交通规则的物标中的任意一个的整体的情况下，与仅包含所述一个的一部分的情况相比，能够计算出更高的识别可能性。例如，如图3A所示，在右转箭头14的一部分被前行车辆13遮挡的情况下，在部分识别范围中仅包含右转箭头14的一部分。另一方面，如图3B所示，在右转箭头14未被前行车辆13遮挡的情况下，在部分识别范围Lb中包含右转箭头14的整体。因此，图3B的行驶场景中的识别可能性比图3A的行驶场景中的识别可能性更高。

[0055] (第三计算基准)

[0056] 从其他车辆12到表示能够识别交通规则的道路结构或交通规则的物标的距离越短，则识别可能性计算部106计算出越高的识别可能性。若能够识别交通规则的物体位于较近，则与位于较远的情况相比，其他车辆12的识别可能性变高。例如，若距离为5m，则可以将识别可能性R2计算为0.9，若距离为8m，则可以将识别可能性R2计算为0.8。

[0057] 上述第一～第三计算基准可以分别单独使用，也可以任意组合实施。例如，识别可能性计算部106也可以使用式(1)，综合基于传感范围的遮蔽率的识别可能性R1和基于距离的识别可能性R2来计算识别可能性R。α1和β1分别是加权系数，K+1是校正项。K为零或正数。在α1、β1、K分别为1的情况下，能够对识别可能性R1和识别可能性R2之间赋予相等的权重。
另外，识别可能性R也可以根据由正态分布构成的概率密度函数等预先设计的分布求出。

[0058] (式1)

[0059]

[0060] (第四计算基准)

[0061] 识别可能性计算部106能够使用本车辆11可识别到交通规则的本车辆识别范围作为最大识别范围或部分识别范围，并计算识别可能性。即，也可以将能够从本车辆11识别的范围置换为其他车辆12的最大识别范围或部分识别范围，并计算识别可能性。第四计算基准可以与第一～第三计算基准组合实施。

[0062] (第五计算基准)

[0063] 识别可能性计算部106能够基于本车辆11实际检测到的表示能够识别交通规则的道路结构或表示交通规则的物标，计算识别可能性。即，在本车辆11实际检测到的道路结构或物标在其他车辆12也能够检测到的推测下，能够计算出识别可能性。第五计算基准可以与第一～第四计算基准组合实施。

[0064] 行驶状态变化检测部107检测由物体检测部102检测出的实际行驶状态发生了变化的情况。具体而言，行驶状态变化检测部107在不同的两个时刻的实际行驶状态之间存在第一基准值以上的差值的情况下，能够检测出实际行驶状态发生了变化。行驶状态变化检测部107在不同的两个时刻的实际行驶状态之间没有第一基准值以上的差值的情况下，也可以不判断为实际行驶状态发生了变化。

[0065] 或者，在两个不同时刻的每单位时间的实际行驶状态的变化量之间存在第二基准值以上的差值的情况下，行驶状态变化检测部107能够检测出实际行驶状态发生了变化。在不同的两个时刻的每单位时间的实际行驶状态的变化量之间没有第二基准值以上的差值的情况下，也可以不判断为实际行驶状态发生了变化。这样，行驶状态变化检测部107基于不同的两个时刻的实际行驶状态的比较、或者不同的两个时刻的每单位时间的实际行驶状态的变化量的比较，能够判断实际行驶状态是否发生了变化。

[0066] 预测动作确定部108基于识别可能性计算部106计算出的识别可能性、规则导出部105预测出的预测行驶状态、以及实际行驶状态发生了变化的情况，预测其他车辆12进行车道变更。另外，由行驶状态变化检测部107检测出“实际行驶状态发生了变化的情况”。具体而言，首先，在行驶状态变化检测部107检测到实际行驶状态发生了变化的情况下，物体检测部102获取实际行驶状态。由物体检测部102获取的“实际行驶状态”包括以下两个示例(第一例和第二例)。

[0067] (第一例)

[0068] 物体检测部102获取变化后的实际行驶状态作为实际行驶状态。如上所述，变化后的实际行驶状态由表示其他车辆12的位置、姿势、速度、加速度、以及行驶轨迹中的任意一个的数值、或者表示任意两个以上的数值的组合来表现。变化后的实际行驶状态也可以不是数值，而是以与数值相关的状态来表现。

[0069] (第二例)

[0070] 物体检测部102获取表示行驶状态的变化的信息即变化信息作为实际行驶状态。变化信息能够由表示其他车辆12的位置、姿势、速度、加速度以及行驶轨迹中的任意一个的数值、或者表示任意两个以上的数值的组合来表现。或者，变化信息是由与其他车辆12相对于相邻车道G2或本车道G1的朝向、其他车辆12在相邻车道G2中的车宽方向的位置、其他车辆12的速度、其他车辆12的加速度、以及其他车辆12的减速度中的任意一个相关的其他车辆12的状态、或者与两个以上相关的其他车辆12的状态的组合来表现。

[0071] 然后，预测动作确定部108比较其他车辆按照交通规则时的行驶状态(即不进行车道变更时的行驶状态)即预测行驶状态和实际行驶状态，并基于比较的结果和识别可能性预测其他车辆12进行车道变更。作为“比较的结果”，有以下的3个示例(第三例～第五例)。

[0072] (第三例)

[0073] 预测动作确定部108比较预测行驶状态和实际行驶状态，并计算出实际行驶状态向不沿着预测行驶状态的方向的偏移量。“实际行驶状态向不沿着预测行驶状态的方向的偏移量”是指，例如图3A所示，在其他车辆12在右侧车道G2上行驶的情况下，规则导出部105预测在右侧车道G2的车宽方向的中央行驶的预测行驶轨迹作为预测行驶状态。在物体检测部102检测出的实际行驶轨迹(实际的行驶状态的一例)向预测行驶轨迹的右侧偏离的情况下，可以说是实际行驶状态向沿着向右侧弯曲的预测行驶轨迹的方向偏离。相反，在物体检测部102检测出的实际行驶轨迹向比预测行驶轨迹更靠左侧偏离的情况下，可以说是实际行驶状态向不沿着向右侧弯曲的预测行驶状态的方向偏离。因此，在图3A所示的行驶场景中，预测动作确定部108计算出实际行驶轨迹从预测行驶轨迹向左侧偏移的偏移量作为“实际行驶状态向不沿着预测行驶状态的方向的偏移量”。另外，在图3A所示的行驶场景中，在实际行驶轨迹向预测行驶轨迹的右侧偏离的情况下，“实际行驶状态向不沿着预测行驶状态的方向的偏移量”为零。即，在右转专用车道中，即使比车道中央更靠近车宽方向右侧，偏移量也为零。

[0074] 然后，预测动作确定部108例如参照图4所示的表，基于偏移量和识别可能性判断其他车辆12是否进行车道变更。具体而言，预先对偏移量及识别可能性分别设定阈值(Tha1，Tha2，Thb1，Thb2)，根据偏移量及识别可能性与阈值的比较，参照图4所示的表，判断其他车辆12是否进行车道变更。在图4中，“1”表示进行车道变更，“0”表示不进行车道变更。

[0075] 另外，识别可能性的阈值Thb1是比阈值Thb2大的值。另外，阈值Thb1和阈值Thb2分别是用于如下判断的预先确定的阈值，即：在识别可能性高于阈值Thb1时判断为“识别可能性较高(识别到的可能性较高)”，在识别可能性高于阈值Thb2时判断为“有识别可能性(有识别到的可能性)”，在识别可能性为Thb2以下时判断为“识别可能性较低(未识别到的可能性较高)”。

[0076] 另外，偏移量的阈值Tha1是比阈值Tha2大的值。偏移量的阈值Tha1和Tha2分别是用于如下判断的预先确定的阈值，即：在偏移量大于Tha1时判断为“偏移量较大”，在偏移量大于Tha2时判断为“有偏移量(发生了偏移)，在偏移量为Tha2以下时则判断为“没有偏移量(没有发生偏移)”。

[0077] 在识别可能性高于阈值Thb1(第一阈值)、且偏移量大于阈值Tha2(第二阈值)的情况下，预测动作确定部108预测其他车辆12进行车道变更。另外，即使识别可能性在阈值Thb1(第一阈值)以下，但在偏移量大于阈值Tha1(第三阈值)的情况下，预测动作确定部108预测其他车辆12进行车道变更。另一方面，在识别可能性为阈值Thb1(第一阈值)以下、且偏移量为阈值Tha1(第三阈值)以下的情况下，预测动作确定部108预测其他车辆12不进行车道变更。

[0078] 即，在偏移量较大的情况(偏移量大于阈值Tha1的情况)下，与识别可能性无关，预测其他车辆进行车道变更，并且，在识别可能性较高的情况(识别可能性高于阈值Thb1的情况下)，即使在偏移量较小的情况下，只要检测出偏移量(只要偏移量大于阈值Tha2)，就预测其他车辆进行车道变更。与此相对，在没有偏移量的情况(偏移量为阈值Tha2以下的情况)下，与识别可能性无关，不预测其他车辆的车道变更。另外，在识别可能性不高的情况(识别可能性在阈值Thb1以下的情况)下，即使有偏移量但只要不大的情况(即使偏移量大于阈值Tha2，但在阈值Tha1以下的情况)下，也不预测其他车辆的车道变更。即，在偏移量较大的情况(偏移量大于阈值Tha1的情况)下，与识别可能性无关，预测其他车辆的车道变更，但只要是在识别可能性较高的情况(识别可能性高于阈值Thb1的情况)下，即使在偏移量较小的情况下，只要检测出偏移量(只要偏移量大于阈值Tha2)，就预测其他车辆进行车道变更。

[0079] 另外，作为实际行驶状态或预测行驶状态，在组合了表示2个以上的数值的情况下，优选针对各个数值，基于图4与阈值进行比较。然后，综合各个数值的判断结果，判断是否进行车道变更即可。

[0080] (第四例)

[0081] 预测动作确定部108比较其他车辆按照交通规则时的行驶状态(即不进行车道变更时的行驶状态)即预测行驶状态和其他车辆的实际行驶状态，并计算向不沿着预测行驶状态的方向的实际行驶状态的差异性。例如，预测动作确定部108能够使用式(2)计算差异性d。在式(2)中，v表示实际行驶状态，r表示预测行驶状态，μ及σ表示预先设定的常数。例如，μ和σ是预测行驶状态与实际行驶状态之差的平均值或标准偏差。预测动作确定部108将通过式(2)标准化后的值计算为差异性d。

[0082] (式2)

[0083]

[0084] 预测行驶状态及实际行驶状态为：由与其他车辆12相对于相邻车道G2或本车道G1的朝向、其他车辆12的在相邻车道G2中的车宽方向的位置、其他车辆12的速度、其他车辆12的加速度、以及其他车辆12的减速度中的任意一个相关的其他车辆12的状态、或者与两个以上相关的其他车辆12的状态的组合来表现的情况。在这种情况下，预测动作确定部108只要计算出预测行驶状态和实际行驶状态是否一致作为差异性即可。换言之，预测动作确定部108判断表现预测行驶状态和实际行驶状态的状态是否一致或不同作为差异性。进而，在组合表示2个以上的状态来表现预测行驶状态以及实际行驶状态的情况下，只要对各个状态判断差异性，并综合针对各状态的差异性的判断结果求出1个差异性即可。另外，也可以对差异性设置多个级别。例如，在预测行驶状态(加速度)为“减速”的情况下，将实际行驶状态(加速度)为加速时的差异性设为“1”，将低速时的差异性设为“0.5”，将减速时的差异性设为“0”即可。

[0085] 然后，预测动作确定部108例如参照图5所示的表，基于差异性和识别可能性判断其他车辆12是否进行车道变更。具体而言，预测动作确定部108预先对差异性及识别可能性分别设定阈值(Thd1，Thd2，Thb1，Thb2)。然后，预测动作确定部108根据差异性以及识别可能性与阈值的比较，参照图5所示的表判断其他车辆12是否进行车道变更。在图5中，“1”表示进行车道变更，“0”表示不进行车道变更。另外，识别可能性的阈值Thb1和Thb2是如上所述用于判断为“识别可能性较高”或“识别可能性较低”的预先确定的阈值。另外，差异性的阈值Thd1和Thd2分别是用于如下判断的预先确定的阈值，即：在差异性大于Thd1时判断为“差异性较高(差异大)”，在差异性大于Thd2时判断为“有差异性(发生了差异)”。

[0086] 在识别可能性高于阈值Thb1(第四阈值)、且差异性大于阈值Thd2(第五阈值)的情况下，预测动作确定部108预测其他车辆12进行车道变更。在即使识别可能性在阈值Thb1(第四阈值)以下，但在差异性大于阈值Thd1(第六阈值)的情况下，预测动作确定部108也预测其他车辆12进行车道变更。另一方面，在识别可能性为阈值Thb1以下、且差异性也为阈值Thd1以下的情况下，预测动作确定部108预测其他车辆12不进行车道变更。

[0087] 即，在差异性较高的情况(差异性高于阈值Thd1的情况)下，与识别可能性无关地预测其他车辆进行车道变更，并且，在识别可能性较高的情况下，即使在差异性较小的情况下，只要检测出发生了差异(只要差异性高于比阈值Thd2)，就预测其他车辆进行车道变更。与此相对，在没有差异性的情况(差异在阈值Thd2以下的情况)下，与识别可能性无关，不预测其他车辆的车道变更。另外，在识别可能性不高的情况(识别可能性在阈值Thb1以下的情况)下，即使有差异但只要不大的情况(即使差异性大于阈值Thd2，但在阈值Thd1以下的情况)下，不预测其他车辆的车道变更。即，在差异性较大的情况(差异性大于阈值Thd1的情况)下，与识别可能性无关，预测其他车辆的车道变更，但只要是在识别可能性较高的情况(识别可能性大于阈值Thb1的情况)下，即使在差异性较小的情况下，只要有差异性(只要差异性大于阈值Tha2)，就预测其他车辆进行车道变更。

[0088] 另外，作为实际行驶状态或预测行驶状态，在组合了表示2个以上的状态的情况下，对于各个状态，优选基于图5与阈值进行比较。然后，综合对各个状态的判断结果判断是否进行车道变更即可。

[0089] (第五例)

[0090] 预测动作确定部108比较其他车辆按照交通规则时的行驶状态(即不进行车道变更时的行驶状态)即预测行驶状态与其他车辆的实际行驶状态，并计算出表示其他车辆12进行车道变更的可能性的“车道变更可能性”。具体而言，预测动作确定部108根据上述的“偏移量”或“差异性”计算车道变更可能性。

[0091] 例如，预测动作确定部108计算至少由其他车辆12的位置、姿势构成的矢量(状态变量矢量)作为各预测行驶状态以及实际行驶状态。另外，也可以在状态变量矢量上进一步加上其他车辆12的速度或加减速度。预测动作确定部108计算预测行驶状态(状态变量矢量)和实际行驶状态(状态变量矢量)之间的偏移量作为距离e。预测动作确定部108根据将距离e作为输入的概率分布f(e)，能够计算出车道变更可能性。偏移量(距离e)越大，则预测动作确定部108计算出更高的车道变更可能性。

[0092] 或者，预测动作确定部108也可以通过将由式(2)算出的差异性d代入式(3)来计算出车道变更可能性Pd。在式(3)中，N表示为了表现各预测行驶状态和实际行驶状态而组合的状态的数量。能够计算出针对各状态计算出的N个差异性dn的平均值，进而计算出车道变更可能性Pd。根据式(3)，差异性dn越大，越能够计算出较高的车道变更可能性Pd。

[0093] (式3)

[0094]

[0095] 或者，预测动作确定部108也可以基于将预测行驶状态与实际行驶状态进行比较的结果和识别可能性R，计算车道变更可能性P。具体而言，作为“将预测行驶状态与实际行驶状态进行比较的结果”能够使用根据式(3)计算出的车道变更可能性Pd。因此，预测动作确定部108也可以基于车道变更可能性Pd和识别可能性R，计算车道变更可能性P。当然，作为“将预测行驶状态与实际行驶状态进行比较的结果”，也可以使用“实际行驶状态向不沿着预测行驶状态的方向的偏移量”、以及根据式(3)计算出的差异性d。

[0096] 例如，预测动作确定部108通过在式(4)中代入车道变更可能性Pd以及识别可能性R，能够计算出车道变更可能性P。由此，能够考虑识别可能性R而计算出车道变更可能性P。在式(4)中，α2以及β2是车道变更可能性Pd以及识别可能性R的加权系数。

[0097] (式4)

[0098] P＝α2·Pd+β2·R   (4)

[0099] 或者，预测动作确定部108可以代替式(4)而参照图6所示的表，基于车道变更可能性Pd和识别可能性R，计算车道变更可能性P。图6的表内的各数值表示车道变更可能性P。具体而言，预测动作确定部108预先对车道变更可能性Pd以及识别可能性分别设定两个阈值(例如，0.8、0.4)。将车道变更可能性Pd以及识别可能性与阈值进行比较，并将车道变更可能性Pd以及识别可能性R分别分类为3个级别(高、中、低)。然后，通过在图6所示的表中匹配车道变更可能性Pd以及识别可能性的分类，从而确定车道变更可能性P。即使在由于“偏移量”或“差异性”较小从而车道变更可能性Pd较低的情况下(例如，图6的“中”或“低”)，只要识别可能性R较高(例如，图6的“高”)，则就确定较高的车道变更可能性P(在图6中为“0.8”、“0.6”)。

[0100] 另外，在第五例中，预测动作确定部108能够按照作为表示交通规则的物标的路牌、箭头信号、路面标识、包含划分线的道路结构的顺序，较高地计算出车道变更可能性。例如，对于式(4)，如式(5)～(7)所示，只要追加与物标种类相关的加权系数γ即可。式(5)～(7)中的γ例如路牌为1.0、箭头信号为1.1、路面标识为1.2、道路结构为1.3。

[0101] (式5)

[0102] P＝(α2·Pd+β2·R)·γ       (5)

[0103] P＝α2·Pd·γ+β2·R       (6)

[0104] P＝α2·Pd+β2·R·γ       (7)

[0105] 在第三例～第五例中，预测动作确定部108也可以代替预测行驶状态，使用除了其他车辆12以外的在相邻车道G2上行驶的第三车辆的实际行驶状态计算车道变更可能性。即，也可以以在与其他车辆12相同的车道(相邻车道G2)上行驶的第三车辆为基准，计算与其他车辆12的“偏移量”或“差异性”、或“车道变更可能性”。具体而言，首先，物体检测部102获取除了其他车辆12以外的在相邻车道G2上行驶的第三车辆的实际行驶状态。例如，获取图3A所示的在其他车辆12的前方行驶的前行车辆13的实际行驶状态。然后，预测动作确定部108将第三车辆的实际行驶状态与其他车辆12的实际行驶状态进行比较，计算出“偏移量”、“差异性”或“车道变更可能性”。

[0106] 例如，在计算“车道变更可能性P”的第五示例中，预测动作确定部108可以使用式(8)来计算车道变更可能性P。式(8)是在式(4)的右边追加了使用第三车辆的实际行驶状态计算出的车道变更可能性Pv项的公式。“车道变更可能性Pv”的计算方法，可以引用在第五例中说明的根据“偏移量”或“差异性”计算车道变更可能性的方法。

[0107] 预测动作确定部108通过在式(8)中代入车道变更可能性Pd、识别可能性R以及车道变更可能性Pv，能够计算车道变更可能性P。由此，不仅能够考虑识别可能性R，还能够考虑使用第三车辆的实际行驶状态计算出的车道变更可能性Pv来计算车道变更可能性P。在式(8)中，α2，β2，ε是车道变更可能性Pd、识别可能性R以及车道变更可能性Pv的加权系数。例如，α2＝0.25，β2＝0.5，ε＝0.25。

[0108] (式6)

[0109] P＝α2·Pd+β2·R+ε·Pv      (8)

[0110] 然后，预测动作确定部108比较计算出的车道变更可能性P和规定的阈值(第九阈值)，判断其他车辆12是否进行车道变更。在车道变更可能性高于规定的阈值(第九阈值)的情况下，预测动作确定部108预测其他车辆12进行车道变更。另一方面，在车道变更可能性为规定的阈值(第九阈值)以下的情况下，预测动作确定部108也可以判断为其他车辆12不进行车道变更。

[0111] 预测动作确定部108为了多级地控制本车辆11与其他车辆12的车间距离或本车辆11的速度，也可以使用相互不同的多个基准值来判断车道变更可能性。具体而言，多级地预先准备多个规定的阈值(第七阈值)。并且，通过比较多个规定的阈值(第七阈值)和车道变更可能性，多级地判断其他车辆12是否进行车道变更。由此，能够进行用于确保针对其他车辆12的车道变更的安全性的多级的本车辆11的车辆控制。

[0112] 本车辆路径生成部109基于由预测动作确定部108预测的其他车辆12的动作，生成本车辆11的路径。在预测到其他车辆12向本车道G1的车道变更的情况下，能够生成已预测到其他车辆12的车道变更的路径。因此，能够与其他车辆12保持充分的车间距离，并且能够根据其他车辆12的动作生成本车辆11不会成为紧急减速或紧急转向的平滑的本车辆11的路径。“本车辆11的路径”不仅表示不同时刻的本车辆11的位置的曲线，还表示各位置的本车辆11的速度的曲线。本车辆路径生成部109生成符合车道变更的本车辆11的路径。另外，也可以以使其他车辆12相对于本车辆11的相对距离变大的方式，生成本车辆11的路径。另外，在本车辆11的前方形成有车队的情况下，本车辆路径生成部109为了在车队之间形成用于其他车辆12插入的车间空间，也可以计算出本车辆11减速的本车辆11的路径。由此，能够更安全地控制本车辆11。

[0113] 车辆控制部110基于由本车辆位置推定部101计算出的自身位置，驱动转向器致动器、加速器踏板致动器以及制动器踏板致动器中的至少一个，以使得本车辆11按照由本车辆路径生成部109生成的路径行驶。另外，在实施方式中，表示了按照本车辆11的路径进行控制的情况，但也可以不生成本车辆11的路径而控制本车辆11。在该情况下，也可以基于与其他车辆12的相对距离、或者其他车辆12与本车辆11之间的姿势角的差来进行控制。在多级地判断了其他车辆12是否进行车道变更的情况下，车辆控制部110能够进行用于确保针对其他车辆12的车道变更的安全性的多级的本车辆11的车辆控制。或者，也可以使用车道变更可能性的值本身来控制本车辆11与其他车辆12之间的车间距离以及本车辆11的车速。

[0114] 参照图2说明图1中的其他车辆动作预测装置的操作示例，作为根据实施例的其他车辆动作预测方法。图2是从本车辆11的点火开关接通(在电动汽车的情况下为电源接通)到断开为止，以规定的周期反复实施。另外，图2的控制流程以本车辆11通过自动驾驶行驶为前提。

[0115] 首先，在步骤S201中，本车辆位置推定部101计测本车辆11的自身位置(绝对位置以及相对位置)。然后，检测出本车辆11在地图上的位置和姿势。进入步骤S202，物体检测部102获取其他车辆12的实际行驶状态。具体而言，物体检测部102使用物体检测传感器检测出其他车辆12，并追踪其他车辆12。作为检测结果，例如，输出从车辆11上方的空中观察到的顶视图中的其他车辆12的实际行驶状态。

[0116] 进入步骤S203，动作候补生成部103基于道路结构以及车道结构，预测其他车辆12能够在不久的将来行动的动作候补。在动作候补中还包含车道变更。进入步骤S204，交通规则信息获取部104获取表示与本车辆11的周围的道路相关的交通规则的信息(交通规则信息)。交通规则信息获取部104也可以获取与本车辆11的周围的道路中的、作为车道变更的判断对象的其他车辆12行驶的相邻车道(右侧车道G2)相关的交通规则信息。能够从地图数据或本车辆11周围的图像的解析中获取交通规则信息。

[0117] 在无法获取交通规则信息的情况下(S205中“否”)，进入步骤S208。另一方面，在能够获取交通规则信息的情况下(S205中“是”)，则进入步骤S206，规则导出部105预测按照交通规则行驶时的其他车辆12的行驶状态即“预测行驶状态”作为规则。然后，进入步骤S207，识别可能性计算部106计算出表示其他车辆12识别到交通规则的可能性的“识别可能性”。这里的“交通规则”中至少包括与其他车辆12行驶的相邻车道(右侧车道G2)相关的交通规则。

[0118] 进入步骤S208，行驶状态变化检测部107检测由物体检测部102检测出的其他车辆12的实际行驶状态发生了变化的情况。具体而言，行驶状态变化检测部107基于不同的两个时刻的实际行驶状态的比较、或者不同的两个时刻的每单位时间的实际行驶状态的变化量的比较，判断实际行驶状态是否发生了变化。

[0119] 进入步骤S209，预测动作确定部108基于识别可能性计算部106计算出的识别可能性、规则导出部105预测出的预测行驶状态、以及实际行驶状态发生了变化的情况，预测其他车辆12进行车道变更。

[0120] 进入步骤S210，本车辆路径生成部109基于在步骤S209中预测出的其他车辆12的动作，生成本车辆11的路径。在预测到其他车辆12向本车道G1的车道变更的情况下，生成已预测到其他车辆12的车道变更的路径。作为本车辆11的路径，本车辆路径生成部109确定其他车辆12相对于本车辆11的相对距离，并确定为了维持相对距离所需的本车辆11的轨迹以及车速。

[0121] 进入步骤S211，车辆控制部110基于由本车辆位置推定部101计算出的自身位置驱动各种致动器，以使得本车辆11按照在步骤S210中生成的路径行驶。车辆控制部110也可以不生成本车辆11的路径而控制本车辆11。

[0122] 如上所述，根据实施方式，能够得到以下的作用效果。

[0123] 预测动作确定部108基于其他车辆12的识别可能性、根据其他车辆12前方的交通规则导出的预测行驶状态、以及其他车辆12的实际行驶状态发生了变化的情况，预测其他车辆12进行车道变更。在其他车辆12的行驶状态的变化较小、但识别可能性较高的情况下，行驶状态的变化是基于识别到交通规则的其他车辆12想要行动的动作(车道变更)的预备动作的可能性较高。即，根据从交通规则的不识别向识别的变化，其他车辆12的行驶状态(包括车辆的行为)变化的可能性较高。因此，在该情况下，预测动作确定部108预测车道变更，所以能够进行早期的预测。因此，能够抑制车道变更的预测延迟。另外，由于基于实际行驶状态以及预测行驶状态来判断车道变更，因此能够正确地预测其他车辆12的车道变更。进而，能够抑制由错误的预测引起的本车辆11的减速、以及由预测延迟引起的本车辆11的急减速。

[0124] 预测行驶状态能够由表示包含其他车辆12的绝对位置以及相对位置的位置、姿势(偏航角、车轴方向)、速度、加速度以及行驶轨迹中的任意一个的数值、或者表示任意两个以上的数值的组合来表现。由此，能够抑制错误地预测以及延迟预测其他车辆12的动作。

[0125] 预测行驶状态能够由与其他车辆12相对于相邻车道(右侧车道G2)或本车道(左侧车道G1)的朝向、其他车辆12在相邻车道中的车宽方向的位置、其他车辆12的速度、其他车辆12的速度、以及其他车辆12的减速度中的任意一个相关的其他车辆12的状态、或者与两个以上相关的其他车辆12的状态的组合来表现。由此，能够抑制错误地预测以及延迟预测其他车辆12的动作。

[0126] 规则导出部105基于交通规则信息、与相邻车道(G2)相关的道路结构、以及与相邻车道(G2)相关的道路的限制速度，对预测行驶状态进行预测。由此，能够抑制错误地预测以及延迟预测其他车辆12的动作。

[0127] 识别可能性计算部106使用最大识别范围和部分识别范围来计算识别可能性。由此，识别可能性的计算精度提高。能够以一般的驾驶员为基准判断识别可能性。另外，能够判断有无由周围车辆或施工等的周围环境引起的遮挡。

[0128] 在最大识别范围和部分识别范围这两者中包含能够识别到交通规则的道路结构或表示交通规则的物标的情况下，与在最大识别范围和部分识别范围这两者中不包含道路结构或物标的情况相比，识别可能性计算部106计算出更高的识别可能性。由此，识别可能性的计算精度提高。

[0129] 在最大识别范围或部分识别范围中包含能够识别到交通规则的道路结构以及表示交通规则的物标中的任意一个的整体的情况下，与仅包含所述一个的一部分的情况相比，识别可能性计算部106计算出较高的识别可能性。由此，识别可能性的计算精度提高。

[0130] 从其他车辆12到能够识别到交通规则的道路结构或表示交通规则的物标的距离越短，则识别可能性计算部106计算出越高的识别可能性。例如，如图3B所示，从其他车辆12到右转箭头14的距离H1越短，则计算出越高的识别可能性。由此，识别可能性的计算精度提高。

[0131] 识别可能性计算部106使用本车辆11能够识别到交通规则的本车辆识别范围作为最大识别范围或部分识别范围，计算识别可能性。由此，识别可能性的计算精度提高。

[0132] 识别可能性计算部106基于本车辆11实际检测到的能够识别到交通规则的道路结构或表示交通规则的物标，计算识别可能性。由此，识别可能性的计算精度提高。

[0133] 在检测到实际行驶状态发生了变化的情况下(图2的S208)，在图2的步骤S209中，物体检测部102获取实际行驶状态。由此，能够正确地获取“实际行驶状态”，因此能够高精度地预测其他车辆12的动作。

[0134] 行驶状态变化检测部107基于不同的两个时刻的实际行驶状态的比较、或者不同的两个时刻的每单位时间的实际行驶状态的变化量的比较，判断实际行驶状态是否发生了变化。由此，能够高精度地检测出实际行驶状态发生了变化的情况。

[0135] 物体检测部102获取变化后的实际行驶状态作为实际行驶状态。变化后的实际行驶状态由表示其他车辆12的位置、姿势、速度、加速度以及行驶轨迹中的任意一个的数值、或者表示任意两个以上的数值的组合来表现。由此，能够抑制错误地预测以及延迟预测其他车辆12的动作。

[0136] 物体检测部102获取表示行驶状态的变化的信息即变化信息作为实际行驶状态。变化信息能够由表示其他车辆12的位置、姿势、速度、加速度以及行驶轨迹中的任意一个的数值、或者表示任意两个以上的数值的组合来表现。或者，变化信息能够由与其他车辆12相对于相邻车道G2或者本车道G1的朝向、在相邻车道G2中的车宽方向的其他车辆12的位置、其他车辆12的速度、其他车辆12的加速度、以及其他车辆12的减速度中的任意一个相关的其他车辆12的状态、或者与两个以上相关的其他车辆12的状态的组合来表现。由此，能够高精度地检测出实际行驶状态。

[0137] 预测动作确定部108比较预测行驶状态和实际行驶状态，并基于比较的结果和识别可能性预测其他车辆12进行车道变更。由此，能够抑制错误地预测以及延迟预测其他车辆12的动作。

[0138] 在识别可能性高于阈值Thb1(第一阈值)、且偏移量大于阈值Tha2(第二阈值)的情况下，预测动作确定部108预测其他车辆12进行车道变更。在即使识别可能性在阈值Thb1(第一阈值)以下、但只要偏移量大于阈值Tha1(第三阈值)的情况下，预测动作确定部108预测其他车辆12进行车道变更。由此，能够抑制错误地预测以及延迟预测其他车辆12的动作。

[0139] 在识别可能性高于阈值Thb1(第四阈值)、且差异性大于阈值Thd2(第五阈值)的情况下，预测动作确定部108预测其他车辆12进行车道变更。在即使识别可能性在阈值Thb1(第四阈值)以下、但只要差异性大于阈值Thd1(第六阈值)的情况下，预测动作确定部108预测其他车辆12进行车道变更。由此，能够抑制错误地预测以及延迟预测其他车辆12的动作。

[0140] 预测动作确定部108比较预测行驶状态和实际行驶状态，并计算出表示其他车辆12进行车道变更的可能性的“车道变更可能性”。然后，预测动作确定部108比较计算出的车道变更可能性和规定的阈值(第七阈值)，并判断其他车辆12是否进行车道变更。由此，能够抑制错误地预测以及延迟预测其他车辆12的动作。

[0141] 偏移量(距离e)越大，则预测动作确定部108计算出越高的车道变更可能性。由此，能够高精度地计算出车道变更可能性。

[0142] 预测动作确定部108使用式(3)，差异性dn越大，则计算出越高的车道变更可能性Pd。由此，能够高精度地计算出车道变更可能性。

[0143] 预测动作确定部108使用式(4)或图6所示的表，基于对预测行驶状态和实际行驶状态进行比较的结果和识别可能性R，计算出车道变更可能性P。由此，能够高精度地计算出车道变更可能性。

[0144] 预测动作确定部108按照作为表示交通规则的物标的路牌、箭头信号、路面标识、包含划分线的道路构造的顺序，较高地计算出车道变更可能性。由此，能够高精度地计算出车道变更可能性。特别是，能够高精度且迅速地预测到其他车辆12的紧急插队。

[0145] 代替预测行驶状态，预测动作确定部108使用除了其他车辆12以外的在相邻车道G2上行驶的第三车辆的实际行驶状态，计算车道变更可能性。由此，不是以形式的交通规则，而是以第三车辆的实际动作为基准，能够判断“偏移量”或“差异性”。因此，无论形式的交通规则如何，都能够高精度且灵活地判断车道变更可能性。

[0146] 预测动作确定部108为了多级地控制本车辆11与其他车辆12的车间距离或本车辆11的速度，使用相互不同的多个基准值来判断车道变更可能性。能够进行用于确保针对其他车辆12的车道变更的安全性的多级的本车辆11的车辆控制。

[0147] 上述各实施方式所示的各功能可以通过一个或多个处理电路来实现。处理电路包括包含电路的处理装置等编程的处理装置。处理装置还包括以执行实施方式中记载的功能的方式配置的面向特定用途的集成电路(ASIC)或现有类型的电路部件那样的装置。

[0148] 另外，上述实施方式是本发明的一例。因此，本发明不限于上述的实施方式，即使是该实施方式以外的方式，只要在不脱离本发明的技术思想的范围内，当然也可以根据设计等进行各种变更。例如在图3A和图3B中示例了本车辆直行、其他车辆在右转车道上行驶的情况，但不限于此，例如在本车辆直行、其他车辆在左转车道上行驶的情况下也能够适用。

[0149] 符号说明

[0150] 11：本车辆

[0151] 12：其他车辆

[0152] 14：右转箭头(表示交通规则的物标)

[0153] G1：本车道

[0154] G2：相邻车道

[0155] H1：距离

[0156] La：最大识别范围

[0157] Lb：部分识别范围