CN113320541B - 车辆控制装置、车辆控制方法及存储介质 - Google Patents

Abstract

本发明提供能够更加精度良好地预测其他车辆行驶的路径的车辆控制装置、车辆控制方法及存储介质。车辆控制装置具备：识别部，其识别包含车辆的周边的道路构造及其他车辆在内的周边环境；导出部，其在由所述识别部识别到的所述其他车辆行驶的道路上设想有所述其他车辆能够行进的多条路径的情况下，针对所述设想的路径分别导出所述其他车辆将来行驶的预测概率；以及行驶控制部，其基于由所述导出部导出的所述预测概率，来控制所述车辆的行为。

Description

车辆控制装置、车辆控制方法及存储介质

技术领域

本发明涉及车辆控制装置、车辆控制方法及存储介质。

背景技术

以往公开有如下车辆行为预测方法，其取得其他车辆的周围的至少包含车道在内的道路构造中的交通规则，并基于交通规则来预测其他车辆行驶的路径(国际公开第2018/134973号、日本特开2017-45130号公报)。

然而，在上述的车辆行为预测方法中，有时不能够精度良好地预测其他车辆行驶的路径。

发明内容

本发明是考虑了这样的情况而完成的，其目的之一在于提供能够更加精度良好地预测其他车辆行驶的路径的车辆控制装置、车辆控制方法及存储介质。

用于解决课题的方案

本发明的车辆控制装置、车辆控制方法及存储介质采用了以下的结构。

(1)：本发明的一方案的车辆控制装置其中，所述车辆控制装置具备：识别部，其识别包含车辆的周边的道路构造及其他车辆在内的周边环境；导出部，其在由所述识别部识别到的所述其他车辆行驶的道路上设想有所述其他车辆能够行进的多条路径的情况下，针对所述设想的路径分别导出所述其他车辆将来行驶的预测概率；以及行驶控制部，其基于由所述导出部导出的所述预测概率，来控制所述车辆的行为。

(2)：在上述(1)的方案中，所述导出部基于从由所述识别部识别到的周边环境得到的、所述其他车辆所存在的道路构造、所述其他车辆明示性地示出的明示性行动、以及所述其他车辆默示性地示出的默示性行动，来导出所述预测概率。

(3)：在上述(2)的方案中，所述导出部考虑与所述道路构造、所述明示性行动及所述默示性行动建立了关联的优劣来导出所述预测概率。

(4)：在上述(2)或(3)的方案中，所述导出部基于所述其他车辆行驶的道路的特性，来设定与所述道路构造、所述明示性行动及所述默示性行动建立了关联的优劣，并考虑设定的优劣来导出所述预测概率。

(5)：在上述(2)至(4)中的任意的方案中，所述导出部使所述明示性行动比所述默示性行动优先而导出所述预测概率。

(6)：在上述(2)至(5)中的任意的方案中，所述导出部使所述道路构造比所述明示性行动优先而导出所述预测概率。

(7)：在上述(2)至(6)中的任意的方案中，所述导出部在所述其他车辆进行车道变更之后进行了所述明示性行动的情况下，与所述其他车辆不进行车道变更而进行了所述明示性行动的情况相比，增大所述明示性行动给所述预测概率带来的影响度。

(8)：在上述(2)至(7)中的任意的方案中，所述道路构造包括所述车辆所存在的道路的周边的交叉路口的有无、所述道路的车道的类别、以及设置于所述道路的标识的类别中的至少一个，所述明示性行动包括设置于所述其他车辆的方向指示器的控制状态、或者所述方向指示器的控制与所述其他车辆进行的车道变更的有无之间的组合，所述默示性行动包括所述其他车辆的位置、速度、以及加速度中的至少一个。

(9)：在上述(2)至(8)中的任意的方案中，所述多条路径包括所述其他车辆直行的第一路径、所述其他车辆左转或右转的第二路径，所述导出部导出针对所述第一路径的第一预测概率、以及针对所述第二路径的第二预测概率，所述行驶控制部基于由所述导出部导出的所述第一预测概率和所述第二预测概率，来控制所述车辆的行为。

(10)：在上述(2)至(9)中的任意的方案中，所述多条路径包括所述其他车辆直行的第一路径、以及所述其他车辆进行车道变更的第三路径，所述导出部导出针对所述第一路径的第一预测概率、以及针对所述第三路径的第三预测概率，所述行驶控制部基于由所述导出部导出的所述第一预测概率和所述第三预测概率，来控制所述车辆的行为。

(11)：在上述(1)至(10)中的任意的方案中，所述行驶控制部基于由所述导出部导出的所述预测概率来对与设想的所述其他车辆的行为相应的所述车辆的行为进行综合，并基于综合后的所述车辆的行为，来控制所述车辆的行为。

(12)：本发明的一方案的车辆控制方法，其中，所述车辆控制方法使计算机进行如下处理：识别包含车辆的周边的道路构造及其他车辆在内的周边环境；在所述识别到的所述其他车辆行驶的道路上设想有所述其他车辆能够行进的多条路径的情况下，针对所述设想的路径分别导出所述其他车辆将来行驶的预测概率；以及基于所述导出的所述预测概率，来控制所述车辆的行为。

(13)：本发明的一方案的存储介质，其存储有程序，其中，所述程序使计算机进行如下处理：识别包含车辆的周边的道路构造及其他车辆在内的周边环境；在所述识别到的所述其他车辆行驶的道路上设想有所述其他车辆能够行进的多条路径的情况下，针对所述设想的路径分别导出所述其他车辆将来行驶的预测概率；以及基于所述导出的所述预测概率，来控制所述车辆的行为。

发明效果

根据(1)～(13)，车辆控制装置对其他车辆能够行进的多条路径分别导出其他车辆将来行驶的预测概率，由此能够更加精度良好地预测其他车辆行驶的路径。而且，车辆控制装置基于上述的预测的路径来控制车辆的行为，由此能够使车辆更顺畅地行驶。

根据(3)或(4)，导出部考虑与道路构造、明示性行动及默示性行动建立了关联的优劣来导出预测概率，由此能够更加精度良好地导出预测概率。

根据(5)、(6)，导出部以按反映到预测概率中的程度高则在先的顺序而依次是道路构造、明示性行动、默示性行动的方式，将其反映到预测概率中，由此能够更加精度良好地导出预测概率。

根据(11)，行驶控制部基于预测概率而将与设想的其他车辆的行为相应的车辆的行为进行综合，并基于综合后的所述车辆的行为来控制车辆的行为，由此能够抑制由于其他车辆的行为而产生规定程度以上的车辆的行为的变化的情况。

附图说明

图1是利用了实施方式的车辆控制装置的车辆系统的结构图。

图2是第一控制部及第二控制部的功能结构图。

图3是表示行动计划生成部的功能结构的一例的图。

图4是表示构造信息的内容的一例的图。

图5是用于说明道路构造的确定的图。

图6是用于说明道路构造及道路构造的详细情况的图(其1)。

图7是用于说明道路构造及道路构造的详细情况的图(其2)。

图8是表示状态信息的内容的一例的图。

图9是表示状态信息的内容的一例的图。

图10是表示在其他车辆正使右方向指示器的灯闪烁时进行了左行车道变更的场景的一例的图。

图11是状态模型的处理的概念图。

图12是用于说明导出综合指标的处理的图。

图13是表示权重信息的内容的一例的图。

图14是用于说明推定其他车辆的行进方向的处理的图。

图15是表示车辆的行为的一例的图。

图16是表示车辆的行为的另一例的图。

图17是用于将比较例的车辆的加减速度的程度与实施方式的车辆M的加减速度的程度进行比较的图。

图18是表示由自动驾驶控制装置执行的处理的流程的一例的流程图。

图19是表示实施方式的自动驾驶控制装置的硬件结构的一例的图。

具体实施方式

以下，参照附图来说明本发明的车辆控制装置、车辆控制方法及存储介质的实施方式。

[整体结构]

图1是利用实施方式的车辆控制装置的车辆系统1的结构图。搭载车辆系统1的车辆例如是二轮、三轮、四轮等的车辆，其驱动源是柴油发动机、汽油发动机等内燃机、电动机、或者它们的组合。电动机使用由与内燃机连结的发电机发出的发电电力、或者二次电池、燃料电池的放电电力来进行动作。

车辆系统1例如具备相机10、雷达装置12、LIDAR(Light Detection and Ranging)14、物体识别装置16、通信装置20、HMI(Human Machine Interface)30、车辆传感器40、导航装置50、MPU(Map Positioning Unit)60、驾驶操作件80、自动驾驶控制装置100、行驶驱动力输出装置200、制动装置210及转向装置220。这些装置、设备通过CAN(Controller AreaNetwork)通信线等多路通信线、串行通信线、无线通信网等而互相连接。图1所示的结构只不过是一例，既可以省略结构的一部分，也可以还追加别的结构。

相机10例如是利用了CCD(Charge Coupled Device)、CMOS(Complementary MetalOxide Semiconductor)等固体摄像元件的数码相机。相机10安装于搭载车辆系统1的车辆(以下称作车辆M)的任意部位。在对前方进行拍摄的情况下，相机10安装于前风窗玻璃上部、车室内后视镜背面等。相机10例如周期性地反复对车辆M的周边进行拍摄。相机10也可以是立体相机。

雷达装置12向车辆M的周边辐射毫米波等电波，并且检测由物体反射的电波(反射波)来至少检测物体的位置(距离及方位)。雷达装置12安装于车辆M的任意部位。雷达装置12也可以通过FM-CW(Frequency Modulated Continuous Wave)方式来检测物体的位置及速度。

LIDAR14向车辆M的周边照射光(或者接近光的波长的电磁波)，并测定散射光。LIDAR14基于从发光到受光的时间，来检测到对象为止的距离。照射的光例如是脉冲状的激光。LIDAR14安装于车辆M的任意部位。

物体识别装置16对由相机10、雷达装置12及LIDAR14中的一部分或全部检测的检测结果进行传感器融合处理，来识别物体的位置、种类、速度等。物体识别装置16将识别结果向自动驾驶控制装置100输出。物体识别装置16可以将相机10、雷达装置12及LIDAR14的检测结果直接向自动驾驶控制装置100输出。也可以从车辆系统1中省略物体识别装置16。

通信装置20例如利用蜂窝网、Wi-Fi网、Bluetooth(注册商标)、DSRC(DedicatedShort Range Communication)等，与存在于车辆M的周边的其他车辆通信，或者经由无线基站与各种服务器装置通信。

HMI30对车辆M的乘员提示各种信息，并且接受由乘员进行的输入操作。HMI30包括各种显示装置、扬声器、蜂鸣器、触摸面板、开关、按键等。

车辆传感器40包括检测车辆M的速度的车速传感器、检测加速度的加速度传感器、检测绕铅垂轴的角速度的横摆角速度传感器、以及检测车辆M的朝向的方位传感器等。

导航装置50例如具备GNSS(Global Navigation Satellite System)接收机51、导航HMI52及路径决定部53。导航装置50在HDD(Hard Disk Drive)、闪存器等存储装置中保持有第一地图信息54。GNSS接收机51基于从GNSS卫星接收到的信号，来确定车辆M的位置。车辆M的位置也可以通过利用了车辆传感器40的输出的INS(Inertial Navigation System)来确定或补充。导航HMI52包括显示装置、扬声器、触摸面板、按键等。导航HMI52也可以一部分或全部与前述的HMI30共用化。路径决定部53例如参照第一地图信息54来决定从由GNSS接收机51确定的车辆M的位置(或者输入的任意的位置)到由乘员使用导航HMI52而输入的目的地的路径(以下称作地图上路径)。第一地图信息54例如是通过表示道路的线路和由线路连接的节点来表现道路形状的信息。第一地图信息54也可以包含道路的曲率、POI(PointOf Interest)信息等。地图上路径向MPU60输出。导航装置50也可以基于地图上路径，来进行使用了导航HMI52的路径引导。导航装置50例如也可以通过乘员持有的智能手机、平板终端等终端装置的功能来实现。导航装置50也可以经由通信装置20向导航服务器发送当前位置和目的地，并从导航服务器取得与地图上路径同等的路径。

MPU60例如包括推荐车道决定部61，并在HDD、闪存器等存储装置中保持有第二地图信息62。推荐车道决定部61将从导航装置50提供的地图上路径分割为多个区块(例如，在车辆行进方向上按每100[m]进行分割)，并参照第二地图信息62按每个区块决定推荐车道。推荐车道决定部61进行在从左数第几车道上行驶这一决定。推荐车道决定部61在地图上路径存在分支部位的情况下，决定推荐车道，以使车辆M能够在用于向分支目的地行进的合理的路径上行驶。

第二地图信息62是比第一地图信息54高精度的地图信息。第二地图信息62例如包含车道的中央的信息或者车道的边界的信息等。在第二地图信息62中也可以包含道路信息、交通限制信息、住所信息(住所·邮政编码)、设施信息、电话号码信息等。第二地图信息62可以通过通信装置20与其他装置通信而随时被更新。道路信息包含与道路构造相关的信息(例如与车道的种类、车道的数量、车道的类别、路面标示、信号机、标识、道路规则相关的信息)。车道的类别是指左转专用行车道、多个车道中车辆正在哪个车道上行驶等信息。

驾驶操作件80例如包括油门踏板、制动踏板、换挡杆、转向盘、异形方向盘、操纵杆、以及操作件。在驾驶操作件80安装有检测操作量或者操作的有无的传感器，其检测结果向自动驾驶控制装置100、或者行驶驱动力输出装置200、制动装置210及转向装置220中的一部分或全部输出。

自动驾驶控制装置100例如具备第一控制部120、第二控制部160及存储部170。第一控制部120和第二控制部160分别例如通过CPU(Central Processing Unit)等硬件处理器执行程序(软件)来实现。这些构成要素中的一部分或全部也可以通过LSI(Large ScaleIntegration)、ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、GPU(Graphics Processing Unit)等硬件(包括电路部：circuitry)来实现，还可以通过软件与硬件的协同配合来实现。程序也可以预先保存于自动驾驶控制装置100的HDD、闪存器等存储装置(具备非暂时性的存储介质的存储装置)，也可以保存于DVD、CD-ROM等能够装卸的存储介质，并通过存储介质(非暂时性的存储介质)装配于驱动装置来向自动驾驶控制装置100的HDD、闪存器安装。存储部170由ROM(Read OnlyMemory)、RAM(Random Access Memory)、HDD(Hard Disk Drive)、闪存器等实现。在存储部170中例如存储有构造信息172、状态信息174、状态模型176及权重信息178。关于这些信息的详细情况，见后述。自动驾驶控制装置100是“车辆控制装置”的一例。

图2是第一控制部120及第二控制部160的功能结构图。第一控制部120例如具备识别部122、信息管理部124及行动计划生成部126。第一控制部120例如并行实现基于AI(Artificial Intelligence：人工智能)的功能和基于预先给出的模型的功能。例如，“识别交叉路口”的功能可以通过“并行执行基于深度学习等的交叉路口的识别和基于预先给出的条件(存在能够进行图案匹配的信号、道路标示等)的识别，并对双方进行评分而综合地评价”来实现。由此，确保自动驾驶的可靠性。

识别部122基于从相机10、雷达装置12及LIDAR14经由物体识别装置16而输入的信息，来识别处于车辆M的周边的物体的位置、速度、加速度等状态。物体的位置例如被识别为以车辆M的代表点(重心、驱动轴中心等)为原点的绝对坐标上的位置，并使用于控制。物体的位置也可以由该物体的重心、角部等代表点来表示，还可以由表现出的区域来表示。物体的“状态”也可以包括物体的加速度、加加速度、或者“行动状态”(例如是否正在进行车道变更或者正要进行车道变更)。

识别部122例如识别车辆M正在行驶的车道(行驶车道)。例如，识别部122通过将从第二地图信息62得到的道路划分线的图案(例如实线与虚线的排列)与根据由相机10拍摄到的图像而识别出的车辆M的周边的道路划分线的图案进行比较，来识别行驶车道。识别部122不限于识别道路划分线，也可以通过识别道路划分线、包括路肩、缘石、中央隔离带、护栏等在内的行驶路边界(道路边界)，来识别行驶车道。在该识别中，也可以考虑从导航装置50取得的车辆M的位置、由INS进行的处理结果。识别部122识别暂时停止线、障碍物、红灯、收费站、其他道路现象、道路构造。

识别部122在识别行驶车道时，识别车辆M相对于行驶车道的位置、姿态。识别部122例如也可以识别车辆M的基准点从车道中央的偏离及车辆M的行进方向相对于将车道中央相连的线所成的角度作为车辆M相对于行驶车道的相对位置及姿态。也可以代替于此，识别部122识别车辆M的基准点相对于行驶车道的任一侧端部(道路划分线或道路边界)的位置等作为车辆M相对于行驶车道的相对位置。

信息管理部124取得行动计划生成部126在处理中使用的信息。例如，信息管理部124取得第一地图信息54、第二地图信息62、存储于存储部170的信息、识别部122的识别结果，并将取得的信息向行动计划生成部126提供。

行动计划生成部126以原则上在由推荐车道决定部61决定的推荐车道上行驶并且能够应对车辆M的周边状况的方式来生成车辆M自动地(不依赖于驾驶员的操作地)将来行驶的目标轨道。目标轨道例如包含速度要素。例如，目标轨道表现为将车辆M应该到达的地点(轨道点)按顺序排列而成的轨道。轨道点是按沿途距离计每隔规定的行驶距离(例如数[m]程度)的车辆M应该到达的地点，有别于此，每隔规定的采样时间(例如零点几[sec]程度)的目标速度及目标加速度作为目标轨道的一部分而生成。轨道点也可以是每隔规定的采样时间的在该采样时刻的车辆M应该到达的位置。在该情况下，目标速度、目标加速度信息由轨道点的间隔来表现。

行动计划生成部126在生成目标轨道时，可以设定自动驾驶的事件。在自动驾驶的事件中，存在定速行驶事件、低速追随行驶事件、车道变更事件、分支事件、汇合事件、接管事件等。行动计划生成部126生成与起动了的事件相应的目标轨道。关于行动计划生成部126的详细情况，见后述。

第二控制部160控制行驶驱动力输出装置200、制动装置210及转向装置220，以使车辆M按预定的时刻通过由行动计划生成部126生成的目标轨道。

第二控制部160例如具备取得部162、速度控制部164及转向控制部166。取得部162取得由行动计划生成部126生成的目标轨道(轨道点)的信息，并使存储器(未图示)存储该信息。速度控制部164基于存储于存储器的目标轨道附带的速度要素，来控制行驶驱动力输出装置200或制动装置210。转向控制部166根据存储于存储器的目标轨道的弯曲情况，来控制转向装置220。速度控制部164及转向控制部166的处理例如通过前馈控制与反馈控制的组合来实现。作为一例，转向控制部166将与车辆M的前方的道路的曲率相应的前馈控制与基于从目标轨道的偏离而进行的反馈控制进行组合来执行。

行驶驱动力输出装置200将用于车辆行驶的行驶驱动力(转矩)向驱动轮输出。行驶驱动力输出装置200例如具备内燃机、电动机及变速器等的组合、以及控制它们的ECU(Electronic Control Unit)。ECU按照从第二控制部160输入的信息、或者从驾驶操作件80输入的信息，来控制上述的结构。

制动装置210例如具备制动钳、向制动钳传递液压的液压缸、使液压缸产生液压的电动马达、以及制动ECU。制动ECU按照从第二控制部160输入的信息、或者从驾驶操作件80输入的信息来控制电动马达，以使与制动操作相应的制动转矩向各车轮输出。制动装置210可以具备将通过驾驶操作件80中包含的制动踏板的操作而产生的液压经由主液压缸向液压缸传递的机构来作为备用。制动装置210不限于上述说明的结构，也可以是按照从第二控制部160输入的信息来控制致动器，从而将主液压缸的液压向液压缸传递的电子控制式液压制动装置。

转向装置220例如具备转向ECU和电动马达。电动马达例如使力作用于齿条-小齿轮机构来变更转向轮的朝向。转向ECU按照从第二控制部160输入的信息、或者从驾驶操作件80输入的信息，来驱动电动马达，使转向轮的朝向变更。

[行动计划生成部的详细情况]

图3是表示行动计划生成部126的功能结构的一例的图。行动计划生成部126例如具备第一导出部130、第二导出部132、第三导出部134、指标导出部(导出部)136、推定部138及行动决定部140。

第一导出部130导出第一指标。第二导出部132导出第二指标。第三导出部134导出第三指标。指标导出部136基于第一指标、第二指标及第三指标，来导出预测概率。预测概率例如是对于其他车辆行驶的道路而设想其他车辆能够行进的多条路径的情况下，针对设想的各个路径而其他车辆将来行驶的预定的预测概率。推定部138基于综合指标，来推定其他车辆的行进方向。行动决定部140基于推定出的其他车辆的行进方向(预测概率)，来控制车辆。以下，说明各功能部的详细情况及指标的导出方法。

(第一指标的导出方法)

第一导出部130基于其他车辆所存在的道路构造，来导出第一指标(概率)。第一导出部130例如基于由识别部122识别到的道路构造、以及构造信息172，来导出第一指标。第一导出部130在表示道路构造的信息与地图信息(第二地图信息62)建立了关联的情况下，也可以推定其他车辆所正在存在的位置，并在地图信息中确定与推定出的位置建立了关联的道路构造。

图4是表示构造信息172的内容的一例的图。构造信息172是道路构造、道路构造的详细情况、针对概率的权重、其他车辆向左转方向行进的概率、其他车辆向直行方向行进的概率、以及其他车辆向右转方向行进的概率相对于辨别信息建立了关联的信息。在图4的例子中，按高概率在先的顺序依次是概率A、概率B、概率C。概率A、概率B及概率C的合计例如为“1”。在图4的例子中，示出了与道路构造建立了关联的权重相同的情况，但也可以赋予不同的大小的权重。关于权重的赋予的详细情况，见后述。

在图4、后述的图8、图9及图12中，记载有“A”、“B”、“C”，但各图的“A”、“B”、“C”也可以只是示出倾向而分别为不同的值。

第一导出部130确定构造信息172的道路构造中的、与由识别部122识别到的道路构造吻合的道路构造。如图5所示，第一导出部130在基于识别部122的识别结果而判定为在其他车辆m行驶的基础通路PA1的规定距离L内存在接下来的基础通路PA2、且存在3个基础通路(PA2-PA4)的分岔路口的情况下，判定为道路构造是交叉路口。

第一导出部130在构造信息172中导出与确定的道路构造建立了关联的概率和权重。例如，第一导出部130在判定为在其他车辆行驶的基础通路上既不存在右通路也不存在左通路的情况下，判定为道路为单车道，并导出与单车道建立了关联的概率(参照图4、图6的No101)。在单车道中，例如，直行方向概率最高，左转方向概率与右转方向概率为同等程度。“通路”是指推定为其他车辆能够通过的路径。

以下，关于其他车辆所存在的道路构造的详细情况(具体例)，说明单车道以外的道路构造。分号的左侧的记载是其他车辆所存在的道路构造，右侧是道路构造的详细情况(具体例)。

多个车道的右端；在车辆行驶的基础通路上不存在右通路、且存在左通路(参照图4、图6的No102)。在该情况下，例如，按高概率在先的顺序依次是直行方向概率、左转方向概率(向左方向行进的概率、向左车道行进的概率)、右转方向概率(向右方向行进的概率、向右车道行进的概率)。

多个车道的正中间；在车辆行驶的基础通路上存在右通路及左通路(参照图4、图6的No103)。在该情况下，例如，直行方向概率比左转方向概率及右转方向概率高，左转方向概率与右转方向概率为同等程度。

多个车道的左端；在车辆行驶的基础通路上存在右通路、且不存在左通路(参照图4、图6的No104)。在该情况下，例如，按高概率在先的顺序依次是直行方向概率、右转方向概率、左转方向概率。

交叉路口；在距车辆行驶的基础通路规定距离内存在接下来的基础通路、且存在3个基础通路的分岔路口(参照图4、图6的No105)。在该情况下，例如，直行方向概率、左转方向概率、右转方向概率为同等程度。

右转专用行车道；在距车辆行驶的基础通路规定距离内存在接下来的基础通路、且车辆的前方的基础通路的属性与“右转”建立了关联的行车道上行驶着(参照图4、图6的No106)。在该情况下，例如，按高概率在先的顺序依次是右转方向概率、直行方向概率、左转方向概率。

例如，第一导出部130基于识别部122的识别结果或与地图信息建立了关联的信息，来取得与基础通路(道路)建立了关联的属性。属性例如是指与道路的交通规则相关的制约所涉及的信息。向遵守与道路的交通相关的制约(法律、规则)的方向行进的概率比向不遵守上述制约的方向行进的概率高。

左转专用行车道；在距车辆行驶的基础通路规定距离内存在接下来的基础通路、且车辆的前方的基础通路的属性与“左转”建立了关联的行车道上行驶着(参照图4、图6的No107)。在该情况下，例如，按高概率在先的顺序依次是左转方向概率、直行方向概率、右转方向概率。

直行右转专用行车道；在距车辆行驶的基础通路规定距离内存在接下来的基础通路、且车辆的前方的基础通路的属性与“右转”建立关联、且与“左转”未建立关联(与直行建立了关联)的行车道上行驶着(参照图4、图7的No108)。在该情况下，例如，直行方向概率及右转方向概率为同等程度，且比左转方向概率高。

直行左转专用行车道；在车辆行驶的基础通路的规定距离内存在接下来的基础通路、且车辆的前方的基础通路的属性与“左转”建立关联、且与“右转”未建立关联(与直行建立了关联)的行车道上行驶(参照图4、图7的No109)。在该情况下，例如，直行方向概率及左转方向概率为同等程度、且比右转方向概率高。

右转箭头信号；在距基础通路规定距离以内在基础通路上的交叉路口存在右箭头信号(参照图4、图7的No110)。在该情况下，例如，按高概率在先的顺序依次是右转方向概率、直行方向概率、左转方向概率。

直行箭头信号；在距基础通路规定距离以内在基础通路上的交叉路口存在直行箭头信号(参照图4、图7的No111)。在该情况下，例如，直行方向概率比右转方向概率及左转方向概率高、且右转方向概率及左转方向概率为同等程度的概率。

左箭头信号；在距基础通路规定距离以内在基础通路上的交叉路口存在左箭头信号(参照图4、图7的No112)。在该情况下，例如，按高概率在先的顺序依次是左转方向概率、直行方向概率、右转方向概率。

如上所述，第一导出部130基于道路构造，来导出针对路径的概率(第一指标)。

(第二指标的导出方法)

第二导出部132基于其他车辆的明示性的行动，来导出第二指标(概率)。明示性的行动例如是指方向指示器所示的方向、制动灯的点亮状态。明示性的行动除了方向指示器所示的方向之外是车辆或车辆的乘员所示的明示性的行动即可，例如也可以是乘员明示的手势。

第二导出部132基于由识别部122识别到的其他车辆的明示性的行动、以及状态信息174，来导出第二指标。图8是表示状态信息174的内容的一例的图。状态信息174是与明示性的行动相关的事件、事件的内容、针对概率的权重、其他车辆向左转方向行进的概率、其他车辆向直行方向行进的概率、以及其他车辆向右转方向行进的概率相对于辨别信息而建立了关联的信息。在图8的例子中，按高概率在先的顺序依次是概率A、概率B、概率C。概率A、概率B及概率C的合计例如为“1”。

第二导出部132确定与由识别部122识别到的其他车辆的明示性的行动吻合的、状态信息174的事件(事件的内容)，并导出与确定的事件建立了关联的概率和权重。例如，在闪烁着右方向指示器的灯的情况下，按高概率在先的顺序依次是右转方向概率、直行方向概率、左转方向概率，在闪烁着左方向指示器的灯的情况下，按高概率在先的顺序依次是左转方向概率、直行方向概率、右转方向概率。在制动灯闪烁着的情况下，左转方向概率、直行方向概率及右转方向概率为同等程度。

第二导出部132也可以代替状态信息174而使用状态信息174A来导出概率。图9是表示状态信息174A的内容的一例的图。状态信息174A除了状态信息174的内容以外还包含以下的内容。

例如，在其他车辆的右方向指示器闪烁着时其他车辆向左进行了行车道变更的情况下，例如，按高概率在先的顺序依次是右转方向概率、直行方向概率、左转方向概率(参照图9的No211、图10)。

图10是表示在其他车辆使右方向指示器的灯闪烁着时进行了左行车道变更的场景的一例的图。如图10所示，其他车辆在时刻t使右方向指示器的灯闪烁并在时刻t+1、时刻t+2进行了左行车道变更的情况下，第二导出部132判定为属于前述的图9的No211的状态，例如导出左转方向概率“C”、直行方向概率“B”及右转方向概率“A”。

例如，在其他车辆的右方向指示器闪烁着时其他车辆向右进行了行车道变更的情况下，例如按高概率在先的顺序依次是右转方向概率、直行方向概率、左转方向概率(参照图9的No212)。

例如在其他车辆的左方向指示器闪烁着时其他车辆向左进行了行车道变更的情况下，例如按高概率在先的顺序依次是左转方向概率、直行方向概率、右转方向概率(参照图9的No213)。

例如，在其他车辆的左方向指示器闪烁着时其他车辆向右进行了行车道变更的情况下，例如按高概率在先的顺序依次是左转方向概率、直行方向概率、右转方向概率(参照图9的No214)。

例如，在其他车辆的制动灯闪烁(或点亮)着时其他车辆向左进行了行车道变更的情况下，例如左转方向概率比直行方向概率及右转方向概率高、且直行方向概率及右转方向概率同等(参照图9的No215)。

例如，在其他车辆的制动灯闪烁(或点亮)着时其他车辆向右进行了行车道变更的情况下，例如右转方向概率比直行方向概率及左转方向概率高、且直行方向概率及左转方向概率同等(参照图9的No216)。

在上述以外的事件的情况下，左转方向概率与直行方向概率及右转方向概率同等(参照图9的No217)。

与上述的第二指标建立了关联的权重也可以针对每个事件而不同。例如，与其他车辆在进行了车道变更之后进行明示性行动的事件建立了关联的权重大于与其他车辆不进行车道变更而进行明示性行动的事件建立了关联的权重。例如，如图9的No212及No213那样，与方向指示器的灯的闪烁状态同其他车辆的行动不矛盾的事件建立了关联的权重比与其他的事件建立了关联的权重大。如图9的No211及No214那样，与方向指示器的灯的闪烁状态同其他车辆的行动矛盾的事件建立了关联的权重比如图9的No201或No202那样只是与方向指示器闪烁了的事件建立了关联的权重小。

如上所述，第二导出部132基于由识别部122识别到的方向指示器的状态及其他车辆的行车道变更的状态，来导出针对路径的概率(第二指标)。

(第三指标的导出方法)

第三导出部134基于其他车辆默示地示出的默示性行动，来导出第三指标(概率)。默示性行动例如是指与车辆明示去处的行动不同的行动、例如是表示其他车辆的行驶状态的行动。默示性行动由其他车辆的速度、其他车辆的加速度、其他车辆的位置中的一个以上的信息来表示。其他车辆的位置例如是指其他车辆相对于其他车辆行驶的车道的位置。

第三导出部134基于由识别部122识别到的其他车辆的默示性的行动、以及状态模型176，来导出第三指标。图11是状态模型176的处理的概念图。状态模型176是当被输入表示其他车辆的默示性的行动的信息时导出左转方向概率、直行方向概率及右转方向概率的模型。状态模型176是学习了学习数据得到的学习完毕模型。学习数据是表示其他车辆的默示性的行动的信息(速度、加速度及位置)与第三指标建立了关联的多个信息。状态模型176是以当被输入表示其他车辆的默示性的行动的信息时导出与被输入了的信息建立了关联的第三指标的方式进行了学习的学习完毕模型。

状态模型176既可以是使用了支持向量机、神经网络等深度学习技术的模型(机器学习模型)，也可以是规定的函数。

在上述的例子中，状态模型176导出第三指标，但行动计划生成部126也可以将速度、加速度及位置中的一个以上的信息与预先设定的信息进行比较，并基于比较结果来导出第三指标。例如，行动计划生成部126在加速为第一规定加速度以上、且其他车辆的基准位置与相邻车道之间的距离小于第二距离的情况下，增高向相邻车道行进的概率，次之增高在当前正行驶的车道上行驶的概率，次之增高向与相邻车道相反侧的相邻车道行进的概率。即，第三导出部134也可以不使用上述的通过机器学习而生成的模型而基于规定的函数、规则来导出第三指标。

在上述的例子中，行动计划生成部126将由识别部122识别到的信息适用于预先准备的信息来导出第一指标或第二指标，但行动计划生成部126也可以使用采用了支持向量机、神经网络等深度学习技术的模型，来导出第一指标或第二指标。例如，也可以使用如下模型，在该模型中，当输入图像、道路构造或与明示性行动相关的指标时，输出第一指标或第二指标。

(综合指标的导出方法)

指标导出部136基于与各指标建立了关联的权重(优劣)、第一指标、第二指标及第三指标，来导出综合指标。综合指标是指反映出第一指标、第二指标及第三指标的左转方向概率、直行方向概率及右转方向概率。

图12是用于说明导出综合指标的处理的图。指标导出部136例如导出将第一指标-第三指标的左转方向概率合计的第一合计指标、将第一指标-第三指标的直行方向概率合计的第二合计指标、以及将第一指标-第三指标的右转方向概率合计的第三合计指标。而且，指标导出部136将第一合计指标-第三合计指标适用于规定的函数、模型，导出综合指标。指标导出部136例如使用归一化指数(softmax)函数，将第一合计指标-第三合计指标归一化而导出左转方向概率、直行方向概率及右转方向概率。在图12的例子中，综合指标为左转方向概率“c％”、直行方向概率“b％”、以及右转方向概率“a％”。

(权重的设定方法)

在此，与第一指标、第二指标或第三指标建立了关联的权重按每个指标而预先设定，但指标导出部136也可以基于其他车辆行驶的道路的特性，来设定第一指标-第三指标的权重。道路的特性是指道路构造、道路的所在(位置)与道路的构造的组合、道路的所在、其他车辆正行驶的道路上的制约(例如法律、规则)等。例如，指标导出部136也可以在存在道路上的制约、且其他车辆需要遵守该制约进行行驶的情况下，与其他指标的权重相比较高地设定第一指标的权重。这是由于，例如在其他车辆正在左转专用行车道上行驶的情况下，无论第二指标或第三指标如何，其他车辆进行左转的概率都高。

例如，指标导出部136也可以参照存储于存储部170的权重信息，来设定各指标的权重。图13是表示权重信息178的内容的一例的图。在图13的例子中，是按道路的位置与道路构造之间的每个组合(道路的特性)而与各指标的权重建立了对应关系的信息。权重信息178是基于在该位置行驶的车辆的行为、模拟结果而生成的信息。

指标导出部136例如与第二指标的权重及第三指标的权重相比较高地设定第一指标的权重。例如，指标导出部136也可以在第一指标的权重的倾向与第二指标的权重的倾向或第三指标的权重的倾向相反的情况下，与第二指标的权重或第三指标的权重相比，较高地设定第一指标的权重。这是由于，其他车辆进行与道路构造的特征相应的行动的可能性高。

指标导出部136也可以代替使用权重信息178(或除此以外还)使用按每个道路的特性而设定的规则、基准、函数，来导出针对第一指标-第三指标的权重。

指标导出部136也可以与第三指标的权重相比较高地设定第二指标的权重。例如，指标导出部136也可以在第二指标的权重的倾向与第三指标的权重的倾向相反的情况下，与第三指标相比较高地设定第二指标的权重。这是由于，在其他车辆示出了明示性的行动的意思的情况下，无论默示性行动如何，其他车辆进行与明示性的行动的意思吻合的行动的概率都高。

在特定的道路中，也可以使第三指标的权重比第一指标的权重或第二指标的权重大。这是由于，例如在特定的道路中，有时无论第一指标或第二指标如何，其他车辆以与第三指标吻合的倾向进行行动的概率都高。

指标导出部136也可以在其他车辆进行了预先设定的规定的行动的情况下，使第二指标的权重比第一指标的权重或第三指标的权重大。规定的行动例如预先存储于存储部170。规定的行动例如是指其他车辆向右转专用行车道进行了车道变更之后使右方向指示器的灯闪烁的第一行动、其他车辆向右转专用行车道进行了车道变更之后使左方向指示器的灯闪烁的第二行动等行动。这是由于，进行了第一行动的其他车辆右转的概率高。这是由于，设想进行了第二行动的其他车辆误进入右转专用行车道，在进入交叉路口之前返回进行车道变更之前的车道的概率高。

(推定结果的导出方法)

推定部138基于综合指标，来推定其他车辆的行进方向。图14是用于说明推定其他车辆的行进方向的处理的图。推定部138基于道路构造、预先设定的轨道模型，来预测其他车辆行进的轨道。轨道模型是指按每个道路构造而预先设定的其他车辆行进的轨道模式。

如图14所示，在其他车辆m的前方存在交叉路口的情况下，预测其他车辆m会沿着轨道OR1、轨道OR2或轨道OR3的轨道进行行驶，轨道OR1朝向交叉路口直行并在交叉路口右转，轨道OR2朝向交叉路口直行并通过交叉路口，轨道OR3朝向交叉路口直行并在交叉路口左转。这样，基于道路构造而预先设定有轨道模式。轨道OR1与右转方向建立了关联，轨道OR2与直行方向建立了关联，轨道OR3与左转方向建立了关联。而且，每个时刻的车辆的位置相对于这些各轨道建立了对应关系。每个时刻的车辆的位置是基于实验数据、观测数据、模拟结果而得到的车辆的位置。观测数据是对在道路构造上行驶的车辆的轨迹进行观测而得到的数据。

行动决定部140基于推定部138的推定结果，来决定车辆M的行动。行动决定部140基于预测概率来对与设想的其他车辆的行为相应的车辆的行为进行综合，并基于综合后的车辆的行为，来控制车辆的行为。例如，行动决定部140基于每个时刻的其他车辆的位置，来决定车辆的速度、加速度、位置。行动决定部140例如按其他车辆基于轨道OR1-OR3而行驶的每个行驶模式，来导出车辆的行为。而且，行动决定部140基于与行驶模式对应的综合指标，来导出车辆的行为。行动决定部140例如基于每个行驶模式的综合指标来导出对车辆的行为的反映率，进一步基于导出的反映率来决定车辆的行为。例如，在与轨道OR1的行驶模式对应的综合指标比其他的轨道的行驶模式的综合指标大的情况下，使与轨道OR1的行驶模式相应的车辆的行为的反映率比与其他的轨道的行驶模式相应的车辆的行为的反映率大。在其他车辆为轨道OR1的行驶模式的情况下，预测在交叉路口的跟前减速，因此行动决定部140例如使车辆M减速以免其他车辆与车辆之间的车间距离成为阈值以下。反映率例如基于预先设定的函数、预先规定的统计上的处理的方法来导出。

在上述的例子中，主要推定了在其他车辆m接近了交叉路口的情况下的其他车辆m行进的方向，但也可以基于与上述同样的考虑，导出其他车辆m向车辆M行驶的车道进行行车道变更的概率。

图15是表示车辆M的行为的一例的图。如图15所示，其他车辆m在车道R1上行驶，车辆M正在车道R2(与车道R1相邻的车道)上行驶。在其他车辆m直行的概率比向车道R2进入的概率高规定程度以上的情况下，车辆M一边维持预先设定的阈值以下的行为一边行驶。例如车辆M考虑其他车辆m进行车道变更的20％的概率而在稍微减速(以比后述的图16的减速度小的减速度进行减速)的同时进行行驶。行动决定部140例如将其他车辆m在车道R2上行驶的概率适用于规定的函数来决定车辆M的速度。规定的函数例如是指式(1)等用于导出速度的函数。“V”是速度，“C”是系数，“P”是概率。

V＝C(1-P)…(1)

图16是表示车辆M的行为的另一例的图。如图16所示，在其他车辆m向车道R2进入的概率比直行的概率高规定程度以上的情况下，车辆M减速并在车道R2上行驶。

图17是用于将比较例的车辆的加减速度的程度与实施方式的车辆M的加减速度的程度进行比较的图。比较例的车辆是不具有如本实施方式的车辆M那样预测其他车辆m的将来的行进方向、其他车辆m将来行驶的车道等的功能的车辆(或不具有精度良好地预测的功能的车辆)。比较例的车辆不推定将来的其他车辆m的位置而进行行驶，因此当其他车辆进入车辆M行驶的车道、或者为了右转或左转而减速时，根据该其他车辆的行为而有时比较地频繁产生阈值以上的加减速。

与此相对，实施方式的车辆M基于将来的其他车辆m的动向、意图来针对其他车辆能够行进的多条路径分别导出其他车辆将来行驶的预测路径，而且导出分别与上述的多条路径相应的车辆M的行为。而且，车辆M基于其他车辆m将来行驶的预测概率，将分别与其他车辆m的多条路径相应的车辆M的行为进行综合而决定车辆M的行为。由此，车辆M能够在使阈值以下的行为多的同时、使超出阈值的行为的频率少。例如，车辆M能够基于在其他车辆向车辆M行驶的车道进入、或者为了右转或左转而减速之前被推定出的其他车辆的行为，来进行动作以免产生阈值以上的加减速，产生阈值Th以上的加速或减速的频率比在比较例的车辆中产生阈值Th以上的加速或减速的频率小。

如上述那样，行动计划生成部126能够精度良好地预测其他车辆m行进的路径。由此车辆M能够更顺畅地进行行驶，能够使乘员对车辆M的乘车舒适度提高。

推定部138也可以推定为存在其他车辆沿着与阈值以上的概率建立了关联的轨道行驶的可能性。例如，推定部138也可以在向与左转方向建立了关联的轨道OR3行进的概率小于阈值的情况下，推定为存在向轨道OR1或轨道OR2行进的概率。

而且，行动决定部140基于其他车辆沿着轨道OR1行驶的情况下的车辆M的第一行为、以及其他车辆沿着轨道OR2行驶的情况下的车辆M的第二行为中的、其他车辆m的行为的变化较大的轨道而使车辆M行驶。例如轨道OR1是其他车辆m直行的轨道，轨道OR2是其他车辆m左转的轨道。在该情况下，行动计划生成部126基于预测在左转时其他车辆减速的轨道OR2，来控制车辆M。

这样，自动驾驶控制装置100不将其他车辆m的行为集中为一个而控制车辆M以免车辆M的加速度的变化变大，由此能够使乘员对车辆M的乘车舒适度提高。例如，自动驾驶控制装置100预测其他车辆m的行动，并基于该预测结果来预先控制车辆M，由此能够抑制车辆M的加减速度成为规定值以上的情况。自动驾驶控制装置100能够基于预测出的规定时间后的其他车辆m的位置来决定上述的抑制程度，因此能够实现更顺畅的车辆M的控制。

行动决定部140也可以基于与预测概率的大小对应的车辆(本车辆)的行为变化量来决定车辆的行为。例如，行动决定部140也可以在其他车辆沿着规定的路径行驶的预测概率为百分之○○的情况下，将在该预测概率的路径上行驶时的其他车辆的行为所对应的车辆的行为中的行为变化量乘以百分之○○而得到的值作为最终的车辆的行为。

推定部138例如也可以推定为其他车辆沿着与综合指标中的最大的概率建立了关联的轨道行进。在该情况下，行动决定部140基于如下行驶模式来决定车辆M的行为，该行驶模式基于推定的其他车辆的轨道而得到。

[流程图]

图18是表示由自动驾驶控制装置100执行的处理的流程的一例的流程图。本处理例如以规定间隔执行。

首先，第一控制部120判定在车辆M的周边是否存在处理对象的其他车辆(步骤S100)。处理对象的其他车辆例如是存在于距车辆M规定距离以内的位置的车辆。更具体而言，处理对象的其他车辆是存在于车辆M的前方、且存在于距车辆M规定距离以内的位置的车辆。

在存在处理对象的其他车辆的情况下，信息管理部124取得在以后的处理中使用的信息(步骤S102)。在以后的处理中使用的信息是指在导出上述的第一指标-第三指标的处理中被利用的信息。

接着，行动计划生成部126确定处理对象的其他车辆的周边的道路构造(步骤S104)。接着，第一导出部130基于确定出的道路构造和构造信息172，来导出第一指标(步骤S106)。接着，第二导出部132基于方向指示器的状态和状态信息174，来导出第二指标(步骤S108)。接着，第三导出部134基于速度、加速度、其他车辆的位置及状态模型176，来导出第三指标(步骤S110)。

接着，指标导出部136基于在步骤S106-S110中导出的第一指标-第三指标，来导出综合指标(步骤S112)。接着，推定部138基于在步骤S114导出的综合指标，来推定其他车辆的行动(步骤S114)。接着，行动决定部140基于在步骤S116中推定出的其他车辆的行动，来决定车辆M的行动(步骤S116)。由此本流程图的1个例程的处理结束。

如上述那样，自动驾驶控制装置100针对多条路径导出其他车辆行进的预测概率，由此能够更加精度良好地预测其他车辆行驶的路径。而且，自动驾驶控制装置100基于其他车辆行驶的路径，来控制车辆，由此能够使车辆更顺畅地行驶。

[硬件结构]

图19是表示实施方式的自动驾驶控制装置100的硬件结构的一例的图。如图所示，自动驾驶控制装置100成为通信控制器100-1、CPU100-2、作为工作存储器使用的RAM(Random Access Memory)100-3、保存引导程序等的ROM(Read Only Memory)100-4、闪存器、HDD(Hard Disk Drive)等存储装置100-5、驱动装置100-6等通过内部总线或者专用通信线而相互连接而成的结构。通信控制器100-1进行与自动驾驶控制装置100以外的构成要素之间的通信。在存储装置100-5保存有CPU100-2执行的程序100-5a。该程序由DMA(DirectMemory Access)控制器(未图示)等向RAM100-3展开，并被CPU100-2执行。由此，实现识别部122、信息管理部124及行动计划生成部126的中的一部分或全部。

上述说明的实施方式能够如以下这样表现。

一种车辆控制装置，其构成为具备：

存储装置，其存储有程序；以及

硬件处理器，

所述硬件处理器通过执行存储于所述存储装置的程序来进行如下处理：

识别包含车辆的周边的道路构造及其他车辆在内的周边环境；

在所述识别到的所述其他车辆行驶的道路上设想有所述其他车辆能够行进的多条路径的情况下，针对所述设想的路径分别导出所述其他车辆将来行驶的预测概率；以及

基于所述导出的所述预测概率，来控制所述车辆的行为。

以上使用实施方式说明了本发明的具体实施方式，但本发明丝毫不被这样的实施方式限定，在不脱离本发明的主旨的范围内能够施加各种变形及替换。

Claims (11)

1.一种车辆控制装置，其中，

所述车辆控制装置具备：

识别部，其识别包含车辆的周边的道路构造及其他车辆在内的周边环境；

导出部，其在由所述识别部识别到的所述其他车辆行驶的道路上设想有所述其他车辆能够行进的多条路径的情况下，针对所述设想的路径分别导出所述其他车辆将来行驶的预测概率；以及

行驶控制部，其基于由所述导出部导出的所述预测概率，来控制所述车辆的行为，

所述导出部基于从由所述识别部识别到的周边环境得到的、所述其他车辆所存在的道路构造、所述其他车辆明示性地示出的明示性行动、以及所述其他车辆默示性地示出的默示性行动，来导出所述预测概率，

所述导出部在所述其他车辆进行车道变更之后进行了所述明示性行动的情况下，与所述其他车辆不进行车道变更而进行了所述明示性行动的情况相比，增大所述明示性行动给所述预测概率带来的影响度。

2.根据权利要求1所述的车辆控制装置，其中，

所述导出部考虑与所述道路构造、所述明示性行动及所述默示性行动建立了关联的优劣来导出所述预测概率。

3.根据权利要求1或2所述的车辆控制装置，其中，

所述导出部基于所述其他车辆行驶的道路的特性，来设定与所述道路构造、所述明示性行动及所述默示性行动建立了关联的优劣，并考虑设定的优劣来导出所述预测概率。

4.根据权利要求1或2所述的车辆控制装置，其中，

所述导出部使所述明示性行动比所述默示性行动优先而导出所述预测概率。

5.根据权利要求1或2所述的车辆控制装置，其中，

所述导出部使所述道路构造比所述明示性行动优先而导出所述预测概率。

6.根据权利要求1或2所述的车辆控制装置，其中，

所述道路构造包括所述车辆所存在的道路的周边的交叉路口的有无、所述道路的车道的类别、以及设置于所述道路的标识的类别中的至少一个，

所述明示性行动包括设置于所述其他车辆的方向指示器的控制状态、或者所述方向指示器的控制与所述其他车辆进行的车道变更的有无之间的组合，

所述默示性行动包括所述其他车辆的位置、速度、以及加速度中的至少一个。

7.根据权利要求1或2所述的车辆控制装置，其中，

所述多条路径包括所述其他车辆直行的第一路径、所述其他车辆左转或右转的第二路径，

所述导出部导出针对所述第一路径的第一预测概率、以及针对所述第二路径的第二预测概率，

所述行驶控制部基于由所述导出部导出的所述第一预测概率和所述第二预测概率，来控制所述车辆的行为。

8.根据权利要求1或2所述的车辆控制装置，其中，

所述多条路径包括所述其他车辆直行的第一路径、以及所述其他车辆进行车道变更的第三路径，

所述导出部导出针对所述第一路径的第一预测概率、以及针对所述第三路径的第三预测概率，

所述行驶控制部基于由所述导出部导出的所述第一预测概率和所述第三预测概率，来控制所述车辆的行为。

9.根据权利要求1或2所述的车辆控制装置，其中，

所述行驶控制部基于由所述导出部导出的所述预测概率来对与设想的所述其他车辆的行为相应的所述车辆的行为进行综合，并基于综合后的所述车辆的行为，来控制所述车辆的行为。

10.一种车辆控制方法，其中，

所述车辆控制方法使计算机进行如下处理：

识别包含车辆的周边的道路构造及其他车辆在内的周边环境；

在所述识别到的所述其他车辆行驶的道路上设想有所述其他车辆能够行进的多条路径的情况下，针对所述设想的路径分别导出所述其他车辆将来行驶的预测概率；

基于所述导出的所述预测概率，来控制所述车辆的行为；

基于从识别到的周边环境得到的、所述其他车辆所存在的道路构造、所述其他车辆明示性地示出的明示性行动、以及所述其他车辆默示性地示出的默示性行动，来导出所述预测概率；以及

在所述其他车辆进行车道变更之后进行了所述明示性行动的情况下，与所述其他车辆不进行车道变更而进行了所述明示性行动的情况相比，增大所述明示性行动给所述预测概率带来的影响度。

11.一种存储介质，其存储有程序，其中，

所述程序使计算机进行如下处理：

识别包含车辆的周边的道路构造及其他车辆在内的周边环境；

在所述识别到的所述其他车辆行驶的道路上设想有所述其他车辆能够行进的多条路径的情况下，针对所述设想的路径分别导出所述其他车辆将来行驶的预测概率；

基于所述导出的所述预测概率，来控制所述车辆的行为；

基于从识别到的周边环境得到的、所述其他车辆所存在的道路构造、所述其他车辆明示性地示出的明示性行动、以及所述其他车辆默示性地示出的默示性行动，来导出所述预测概率；以及

在所述其他车辆进行车道变更之后进行了所述明示性行动的情况下，与所述其他车辆不进行车道变更而进行了所述明示性行动的情况相比，增大所述明示性行动给所述预测概率带来的影响度。