WO2020121010A1

WO2020121010A1 - 他車動作予測方法及び他車動作予測装置

Info

Publication number: WO2020121010A1
Application number: PCT/IB2018/001545
Authority: WO
Inventors: 武井翔一; 田中慎也
Original assignee: 日産自動車株式会社; ルノーエス．ア．エス．
Priority date: 2018-12-11
Filing date: 2018-12-11
Publication date: 2020-06-18
Also published as: JPWO2020121010A1; JP7156394B2; CN113243029B; CN113243029A; RU2760050C1; US20220024461A1; EP3896672A1; US11390288B2; EP3896672A4

Abstract

他車動作予測方法は、隣接車線Ｇ２を走行する他車両１２の挙動に基づいて、他車両１２が自車両１１の前方において隣接車線Ｇ２から自車両１１が走行する自車線Ｇ１へ車線変更を行うことを予測する。他車動作予測方法では、隣接車線Ｇ２に係わる交通規則を示す交通規則情報を取得し、交通規則に沿って走行した場合の他車両１２の予測走行状態を予測し、他車両１２が交通規則を認知した認知可能性を算出し、認知可能性、予測走行状態、及び、現実の走行状態に基づいて、他車両１２が車線変更を行うことを予測する。

Description

他車動作予測方法及び他車動作予測装置

　本発明は、他車動作予測方法及び他車動作予測装置に関するものである。

　従来から、他車両の走行軌跡を推定する技術が知られている（特許文献１参照）。特許文献１に開示された装置は、交通ルールを遵守する条件及び遵守しない条件の下で他車両の走行軌跡をそれぞれ求め、他車両が走行する車線の方向と他車両の車軸の方向とのずれである軸線ずれを取得する。そして、軸線ずれが小さい場合、交通ルールを遵守する条件での走行軌跡を維持し、軸線ずれが大きい場合、交通ルールを遵守しない条件での走行軌跡へ切り替えることにより、他車両の走行軌跡を推定する。

特開２００９−３６５０号公報

　特許文献１によれば、軸線ずれがしきい値よりも大きい場合に、交通ルールを遵守しない条件での走行軌跡を推定する。このため、他車両の車軸方向への大きな動きを検知した後でなければ、交通ルールを遵守しない条件での走行軌跡を予測することができない。よって、他車両の走行軌跡の予測が遅れてしまう場合がある。一方、軸線ずれのしきい値を小さくした場合、他車両の走行軌跡を誤って予測してしまう場合がある。このように、軸線ずれのみでは、他車両の走行軌跡を迅速且つ正しく予測できないという問題がある。

　本発明は、上記課題に鑑みて成されたものであり、その目的は、他車両の動作を誤って予測すること及び予測が遅延することを抑制する他車動作予測方法及び他車動作予測装置を、提供することである。

　本発明の一態様は、隣接車線を走行する他車両の挙動に基づいて、他車両が自車両の前方において隣接車線から自車両が走行する自車線へ車線変更を行うことを予測する他車動作予測方法である。他車動作予測方法では、他車両の現実の走行状態を取得し、隣接車線に係わる交通規則を示す交通規則情報を取得し、交通規則に沿って走行した場合の他車両の走行状態である予測走行状態を予測し、他車両が交通規則を認知した認知可能性を算出し、認知可能性、予測走行状態、及び、現実の走行状態に基づいて、他車両が車線変更を行うことを予測する。

　本発明の一態様によれば、他車両の動作を誤って予測すること及び予測が遅延することを抑制することができる。

図１は、実施形態に係わる他車動作予測装置の構成を示すブロック図である。図２は、実施形態に係わる他車動作予測方法として、図１の他車動作予測装置の動作例を示すフローチャートである。図３Ａは、実施形態に係わる運転支援装置が有効に機能する走行シーンの一例を示す天頂図である。図３Ｂは、図３Ａに示す状態から一定時間が経過した後の状態を示す天頂図である。図４は、ズレ量と認知可能性とに基づいて他車両１２が車線変更を行うか否かを判断する際に参照されるデータの一例を示す表である。図５は、相違性と認知可能性とに基づいて、他車両１２が車線変更を行うか否かを判断する際に参照されるデータの一例を示す表である。図６は、車線変更可能性Ｐ_ｄと認知可能性Ｒとに基づいて、車線変更可能性Ｐを算出する際に参照されるデータの一例を示す表である。

　次に、図面を参照して、実施形態を詳細に説明する。

　実施形態に係わる運転支援装置は、例えば、図３Ａ及び図３Ｂに示すような走行シーンにおいて有効に機能する。図３Ａ及び図３Ｂは、２車線（Ｇ１、Ｇ２）からなる一方通行路において、左側車線Ｇ１（自車線）を自車両１１が走行し、自車線に隣接する車線である右側車線Ｇ２（隣接車線）を他車両１２が並走している走行シーンを示す。左側車線Ｇ１は、自車両１１の前方において直線状の車線である。一方、右側車線Ｇ２は、他車両１２の前方において右へ曲がるカーブした車線、即ち、「右折専用レーン」である。つまり、左側車線Ｇ１及び右側車線Ｇ２は、自車両１１及び他車両１２の前方において分岐し、互いに行き先が異なる道路を成している。

　この走行シーンにおいて、自車両１１及び他車両１２の双方が、当該道路を直進することを意図している。よって、自車両１１は直進する意図に沿った正しい車線Ｇ１を走行している。一方、他車両１２は、直進する意図に反して、前方が右折専用レーンとなる車線（車線Ｇ２）を走行している。このため、他車両１２は、直進するために、現在走行している右側車線Ｇ２から左側車線Ｇ１へ車線変更を行う必要がある。

　なお、図３Ａ及び図３Ｂの走行シーンにおいて、他車両１２は、自動運転及び手動運転のいずれにより走行していても構わない。「自動運転」とは、所定の車両走行制御装置が車両運転に係わる認知・判断・操作の一部又は全体を主体的に行う運転モードである。また、「手動運転」とは、他車両１２の乗員（人間）である運転者が車両運転を行う運転モードである。

　他車両１２の前方において、先行車両１３が右側車線Ｇ２を走行している。右側車線Ｇ２の路面には、道路標示である「右折矢印１４」が付されている。ここで、「右折矢印１４」は、“それが付された車線において、車両が進行することができる方向が右折である”という交通規則を示す道路標示である。ここで、「道路標示」とは、道路の交通に関して、規制又は指示を表示する標示で、路面に描かれた道路鋲・ペイント・石等による線・記号又は文字である。

　しかし、例えば、図３Ａに示すように、先行車両１３が右折矢印１４の上を走行している、或いは右折矢印１４の上で停止しているために、他車両１２は前方の右折矢印１４を視認又は検知できない場合がある。この場合、他車両１２は、「現在走行している右側車線Ｇ２での走行を継続した場合、進行することができる方向が右折である」という交通規則を認知できていない可能性がある。複数の先行車両１３が車列を成している場合、右折矢印１４を視認又は検知できない可能性は更に高まる。

　その後、図３Ｂに示すように、先行車両１３が右折矢印１４を通過したことにより、他車両１２は、初めて右折矢印１４を視認又は検知できる。換言すれば、他車両１２は、「右側車線Ｇ２での走行を継続した場合、進行することができる方向が右折である」という交通規則を初めて認知できる。交通規則の不認知から認知への変化に応じて、他車両１２の走行状態（車両の挙動を含む）が変化する場合がある。例えば、右側車線Ｇ２側への幅寄せ、つまり右側車線Ｇ２内での車線幅方向の位置の変化、或いは、急な減速つまり減速度の増加などが発生する場合がある。

　実施形態では、他車両１２の走行状態が変化したことを検出し、他車両１２が交通規則を認知した可能性である認知可能性を考慮して、他車両１２が右側車線Ｇ２から左側車線Ｇ１へ車線変更を行うことを予測する装置及び方法について説明する。この装置及び方法によれば、走行状態の変化だけではなく、認知可能性をも考慮することにより、車線変更を誤って予測すること及び予測が遅れることを抑制することができる。以下に、実施形態に係わる他車動作予測方法及び他車動作予測装置について、詳細に説明する。なお、図３Ａ及び図３Ｂに示すような走行シーンは、実施形態に係わる他車動作予測方法及び他車動作予測装置が有効に機能する走行シーンの一例であって、実施形態に係わる他車動作予測方法及び他車動作予測装置が適用される範囲を限定するものではない。

　図１を参照して、実施形態に係わる他車動作予測装置の構成を説明する。他車動作予測装置は、制御部を備える。制御部は、隣接車線Ｇ２を走行する他車両１２の挙動に基づいて、他車両１２が自車両１１の前方において隣接車線Ｇ２から自車線Ｇ１へ車線変更を行うことを予測する。制御部は、物体検出部１０２と、自車位置推定部１０１と、交通規則情報取得部１０４と、マイクロコンピュータとを備える。

　物体検出部１０２は、自車両１１に搭載された、レーザレーダやミリ波レーダ、カメラ、ライダー（ＬｉＤＡＲ：Ｌｉｇｈｔ　Ｄｅｔｅｃｔｉｏｎ　ａｎｄ　Ｒａｎｇｉｎｇ）など、自車両１１の周囲の物体を検出する、複数の異なる種類の物体検出センサを備える。物体検出部１０２は、複数の物体検出センサを用いて、自車両１１の周囲における物体を検出する。物体検出部１０２は、二輪車を含む他車両１２、自転車を含む軽車両、歩行者などの移動物体、及び駐車車両などの静止物体を検出する。例えば、移動物体及び静止物体の自車両１１に対する位置、姿勢、大きさ、速度、加速度、減速度、ヨーレートを検出する。なお、物体の位置、姿勢（ヨー角）、大きさ、速度、加速度、減速度、ヨーレートを纏めて、物体の「挙動」と呼ぶ。物体が他車両１２である場合、物体検出部１０２は、物体の挙動として、他車両１２の現実の走行状態（以後、「現実の走行状態」と略する場合がある。）を検出する。

　物体検出部１０２は、複数の物体検出センサの各々から得られた複数の検出結果を統合して、各物体に対して一つの検出結果を出力する。具体的には、物体検出センサの各々から得られた物体の挙動から、各物体検出センサの誤差特性などを考慮した上で最も誤差が少なくなる最も合理的な物体の挙動を算出する。具体的には、既知のセンサ・フュージョン技術を用いることにより、複数種類のセンサで取得した検出結果を総合的に評価して、より正確な検出結果を得る。

　物体検出部１０２は、検出された物体を追跡する。具体的に、統合された検出結果から、異なる時刻に出力された物体の挙動から、異なる時刻間における物体の同一性の検証（対応付け）を行い、かつ、その対応付けを基に、物体の挙動を予測する。なお、異なる時刻に出力された物体の挙動は、マイクロコンピュータ内のメモリに記憶され、後述する他車両１２の動作予測に用いられる。

　物体検出部１０２は、検出結果として、例えば、自車両１１の上方の空中から眺める天頂図における、２次元の物体の挙動を出力する。

　他車両１２の現実の走行状態は、他車両１２の絶対位置及び相対位置を含む位置、姿勢（ヨー角）、速度、加速度、及び走行軌跡の内のいずれか１つを示す数値、又はいずれか２以上を示す数値の組合せで表現される。なお、他車両１２の走行軌跡とは、他車両１２の位置の時系列を示す。例えば、走行軌跡と速度の組合せで表現した場合、現実の走行状態は、異なる時刻における他車両１２の位置のプロファイルと、各位置における他車両１２の速度のプロファイルとを備えることになる。

　或いは、他車両１２の現実の走行状態は、隣接車線（右側車線Ｇ２）又は自車線（左側車線Ｇ１）に対する他車両１２の向き、隣接車線の中での車幅方向の他車両１２の位置、他車両１２の速度、他車両１２の加速度、及び他車両１２の減速度の内のいずれか１つに関連する他車両１２の状態、又は２つ以上に関連する他車両１２の状態の組合せで表現することもできる。例えば、「進行方向が右側車線Ｇ２に沿っている」、「進行方向が左側車線Ｇ１側に曲がっている」、「車線幅方向の位置が左側車線Ｇ１側に寄っている」、「加速している」、「減速している」、「速度は一定である」等の他車両１２の状態で現実の走行状態を表現することができる。

　自車位置推定部１０１は、自車両１１に搭載された、ＧＰＳ（グローバル・ポジショニング・システム）信号を受信する受信装置など、自車両１１の地球座標における位置（絶対位置）及び姿勢（絶対姿勢）を計測する位置検出センサを備える。更に、自車位置推定部１０１は、オドメトリやデッドレコニングを行う演算処理回路を備える。具体的には、自車位置推定部１０１は、自車両１１の各車輪の車輪速を検出する車輪速センサ、操舵輪の転舵角を検出する舵角センサ、及び演算処理回路を用いて、所定の基準点に対する自車両１１の相対位置、相対姿勢及び速度を計測することができる。自車両１１の絶対位置、絶対姿勢、相対位置、相対姿勢を示す情報を、「自車両１１の位置及び姿勢を示す情報」と呼ぶ。自車位置推定部１０１は、自車両１１の位置及び姿勢を示す情報から、地図上における自車両１１の位置及び姿勢を検出することができる。地図は、予め地図データベース１１１に格納された地図データによって示される。

　交通規則情報取得部１０４は、自車両１１の周囲の道路に係わる交通規則を示す情報（交通規則情報）を取得する。例えば、自車線Ｇ１に対して左側又は右側に隣接する車線の自車両１１の前方における交通規則情報を取得する。また、自車両１１の周囲の道路のうち、車線変更の判断の対象である他車両１２が走行する隣接車線（右側車線Ｇ２）に係わる、他車両１２前方の交通規則情報を取得することができる。勿論、車線変更の判断の対象が特定されていない場合、車線と特定せずに、自車線Ｇ１の両側に隣接する車線に係わる交通規則情報を取得してもよい。地図データベース１１１に格納された地図データには、自車線Ｇ１及び隣接車線Ｇ２を含む道路の構造及び道路を構成する各車線の構造を示すデータが含まれ、更に、道路の構造にリンクして自車線Ｇ１及び隣接車線Ｇ２に係わる交通規則情報も地図データベース１１１に格納されている。

　なお、地図データベース１１１は、自車両１１に搭載されてもよいし、搭載されていなくてもよい。搭載されていない場合、交通規則情報取得部１０４は、例えば、高度道路交通システム（ＩＴＳ）又は新交通管理システム（ＵＴＭＳ）における車車間・車路間通信、或いは３ＧやＬＴＥなどの移動体通信により、地図データ及び交通規則情報を車外から取得することができる。

　また、交通規則情報取得部１０４は、物体検出部１０２が備えるカメラを用いて取得した自車両１１の周囲の画像から、路面に付された、道路の交通に関する規制又は指示を示す道路標示を認識してもよい。交通規則情報取得部１０４は、自車両１１の周囲の画像から、道路の周囲に設置された道路標識を認識してもよい。交通規則情報取得部１０４は、自車両１１の周囲の画像から、路面に付された車線境界線を認識して、車線構造を取得してもよい。

　マイクロコンピュータは、物体検出部１０２による検出結果、自車位置推定部１０１による推定結果、及び交通規則情報取得部１０４による取得情報に基づいて、他車両１２が車線変更を行うことを予測する。

　マイクロコンピュータは、ＣＰＵ（中央処理装置）、ＲＡＭ及びＲＯＭなどのメモリ、及び入出力部を備える汎用のマイクロコンピュータである。マイクロコンピュータには、他車動作予測装置の一部分として機能させるためのコンピュータプログラム（他車動作予測プログラム）がインストールされている。コンピュータプログラムを実行することにより、マイクロコンピュータは、他車動作予測装置が備える複数の情報処理回路（１０３、１０５、１０６、１０７、１０８）として機能する。なお、ここでは、ソフトウェアによって他車動作予測装置が備える複数の情報処理回路（１０３、１０５~１０８）を実現する例を示す。もちろん、以下に示す各情報処理を実行するための専用のハードウェアを用意して、情報処理回路（１０３、１０５~１０８）を構成することも可能である。また、複数の情報処理回路（１０３、１０５~１０８）を個別のハードウェアにより構成してもよい。更に、情報処理回路（１０３、１０５~１０８）は、自車両１１にかかわる他の制御に用いる電子制御ユニット（ＥＣＵ）と兼用してもよい。本実施形態では、一例として、マイクロコンピュータが、他車動作の予測結果に基づいて自車両１１の自動運転を実行する情報処理回路（１０９、１１０）をも実現している。

　マイクロコンピュータは、複数の情報処理回路（１０３、１０５~１１０）として、動作候補生成部１０３と、ルール導出部１０５と、認知可能性算出部１０６と、走行状態変化検出部１０７と、予測動作決定部１０８と、自車経路生成部１０９と、車両制御部１１０とを備える。

　動作候補生成部１０３は、道路構造及び車線構造に基づいて、他車両１２が近い将来に行動しうる動作候補を予測する。動作候補生成部１０３が予測する動作候補には、車線変更も含まれる。動作候補生成部１０３は、道路構造及び他車両が属している車線の構造から、他車両１２が次にどのように走行するのかという動作意図を予測し、当該動作意図に基づく他車両の基本軌道を演算する。「動作候補」とは、動作意図及び基本軌道を含む上位概念である。「基本軌道」は、異なる時刻における他車両の位置のプロファイルのみならず、各位置における他車両１２の速度のプロファイルをも示す。

　例えば、動作候補生成部１０３は、図３Ａに示すように、他車両１２が隣接車線（右側車線Ｇ２）を走行し続ける動作意図を予測し、右側車線Ｇ２の形状に沿って走行する基本軌道を演算する。更に、動作候補生成部１０３は、自車両１１の前方において他車両１２が隣接車線（右側車線Ｇ２）から自車線（左側車線Ｇ１）へ車線変更する動作意図を予測する。そして、動作候補生成部１０３は、自車両１１の前方において右側車線Ｇ２から左側車線Ｇ１へ車線変更する基本軌道を演算する。

　本実施形態において、「車線変更」には、図３Ａに示すように、自車両１１の前方の自車線Ｇ１上に車列が形成されていない走行シーンにおける車線変更、所謂「通常の車線変更」が含まれる。「車線変更」には、更に、自車両１１の前方の自車線Ｇ１上に車列が形成されている走行シーンにおいて、この車列の中へ割り込む、所謂「割り込み」も含まれる。なお、「割り込み」は、「カット・イン（ｃｕｔ　ｉｎ）」と同じ意味である。

　ルール導出部１０５は、交通規則情報取得部１０４が隣接車線（右側車線Ｇ２）に係わる、他車両１２前方の（他車両が今後到達する地点における）交通規則を取得した場合に、他車両１２が前方の交通規則に沿って走行した場合の走行状態である「予測走行状態」をルールとして予測する。他車両１２の「予測走行状態」とは、他車両１２が隣接車線に係わる前方の交通規則に従って走行した場合に、他車両１２が取ることが予測される走行状態を示す。なお、以下の記載において「交通規則」は、他車両１２前方の交通規則を意味する。

　他車両１２の予測走行状態は、現実の走行状態と同様に、数値又は数値の組合せにより、表現することができる。すなわち、予測走行状態は、他車両１２の絶対位置及び相対位置を含む位置、姿勢（ヨー角）、速度、加速度、及び走行軌跡の内のいずれか１つを示す数値、又はいずれか２以上を示す数値の組合せで表現される。例えば、走行軌跡と速度の組合せで表現した場合、予測走行状態は、異なる時刻における他車両１２の位置のプロファイルと、各位置における他車両１２の速度のプロファイルとを備えることになる。

　或いは、予測走行状態は、隣接車線（右側車線Ｇ２）又は自車線（左側車線Ｇ１）に対する他車両１２の向き、隣接車線の中での車幅方向の他車両１２の位置、他車両１２の速度、他車両１２の加速度、及び他車両１２の減速度の内のいずれか１つに関連する他車両１２の状態、又は２つ以上に関連する他車両１２の状態の組合せで表現することもできる。

　ルール導出部１０５は、交通規則情報、隣接車線（Ｇ２）に係わる道路構造、及び隣接車線（Ｇ２）に係わる道路の制限速度に基づいて、予測走行状態を予測してもよい。具体的には、右折専用レーンという規制（交通規則の一例）、他車両１２の前方において右方向へ曲がっているという隣接車線（Ｇ２）の形状（道路構造の一例）から、右側車線Ｇ２の形状に沿って右方向へ約９０度旋回する他車両１２の予測走行状態を演算する。

　或いは、ルール導出部１０５は、動作候補生成部１０３により生成された複数の動作候補の中から、予測走行状態を選択してもよい。更に、隣接車線（Ｇ２）に係わる道路の制限速度を考慮することにより、他車両１２の速度のプロファイルを予測することができる。

　認知可能性算出部１０６は、他車両１２が交通規則を認知した可能性を示す「認知可能性」を算出する。ここでの「交通規則」には、少なくとも隣接車線（右側車線Ｇ２）に係わる交通規則が含まれる。つまり、認知可能性算出部１０６は、他車両１２が、走行中の車線（Ｇ２）に係わる交通規則を認知した可能性を「認知可能性」として算出する。なお、認知可能性は、他車両１２の認知に係わる可能性を示すため、自車両１１すなわち交通規則情報取得部１０４が隣接車線（右側車線Ｇ２）に係わる交通規則を取得したか否かに、直接関連していなくてもよい。勿論、後述するように、自車両１１の認知に係わる可能性を、他車両１２の「認知可能性」に関連付けてもかまわない。

　例えば、認知可能性算出部１０６は、複数の認知可能範囲の一例である、最大認知範囲と部分的認知範囲とを用いて、認知可能性を算出することができる。「最大認知範囲」とは、例えば、他車両１２が手動運転により走行している場合、人間の視覚特性（例えば、一般的な運転者の視力）から算出した、交通規則を認知可能な最大範囲である。一方、他車両１２が自動運転により走行している場合、他車両１２に搭載された物体検知センサのセンシング範囲から算出した、交通規則を認知可能な最大範囲である。最大認知範囲は、他車両１２からの距離によって定まる範囲であり、例えば、他車両１２を中心とする、人間の視覚特性に応じた距離（図３ＡにおけるＬａ）を半径とした円の範囲を最大認知範囲とすることができる。

　一方、「部分的認知範囲」とは、他車両１２の車高及び他車両１２の走行環境に基づいて算出される、交通規則を認知可能な範囲である。例えば、他車両１２の車高が低い為に、他車両１２の周囲の物体（走行環境の一例）が、交通規則を認知できる道路構造又は交通標識などの交通規則を示す物標を遮蔽する場合がある。この場合、他車両１２は道路構造又は物標を視認又は検知できず、交通規則を認知できない。そこで、認知可能性算出部１０６は、他車両１２の車高及び他車両１２の走行環境を考慮することにより、遮蔽された（死角に存在する）交通規則を示す物標が含まれないように部分的認知範囲を算出することができる。例えば、図３Ａの領域Ｌｂに示すように、所定の画角のセンシング範囲において交通規則を認知可能である。しかし、先行車両１３により隠蔽される領域は他車両１２の死角となるため、交通規則を認知又は検知できない。勿論、他車両１２の車高が、先行車両１３の車高よりも十分に高い場合、先行車両１３の進行方向前方の領域は他車両１２の死角とならない。よって、この場合、部分的認知範囲は図３Ａの領域Ｌｂよりも広くなる。このように、部分的認知範囲Ｌｂは、他車両１２の車高及び他車両１２の走行環境（先行車両１３の存在）に基づいて算出することができる。なお、物体検出に誤差が生じるため、認知範囲を狭める物体（遮蔽物）の周辺は、「部分的認知範囲」を狭めてもよい。また、遮蔽物によるセンシング範囲の遮蔽率（遮蔽物が無い場合の物体検知センサによるセンシング範囲に対する、遮蔽物が存在する場合の物体検知センサによるセンシング範囲の割合）により認知可能性を算出してもよい。例えば、図３Ａの先行車両１３（遮蔽物の一例）によるセンシング範囲の遮蔽率が２０％であれば、認知可能性Ｒ_１を０．８と算出してもよい。

　認知可能性算出部１０６は、最大認知範囲（半径Ｌａの円）と部分的認知範囲Ｌｂとを用いた様々な方法により、認知可能性を算出することができる。具体的な算出例として、第１の算出基準~第２の算出基準を以下に示す。

　（第１の算出基準）
　認知可能性算出部１０６は、最大認知範囲と部分的認知範囲の両方に、交通規則を認知できる道路構造又は交通規則を示す物標が含まれている場合、最大認知範囲と部分的認知範囲の両方に、道路構造又は物標が含まれていない場合に比べて、高い認知可能性を算出することができる。「最大認知範囲と部分的認知範囲の両方に、道路構造又は前記物標が含まれていない場合」には、最大認知範囲又は部分的認知範囲の一方のみに道路構造又は物標が含まれている場合と、最大認知範囲及び部分的認知範囲のいずれにも、道路構造又は物標が含まれていない場合とが含まれる。「交通規則を認知できる道路構造」には、車線境界線が含まれる。例えば、認知可能性算出部１０６は、直線、右カーブ、左カーブなどの車線境界線の形状、又は、例えば、白い破線、白い実線、黄色の実線などの車線境界線の種類から、交通規則を認知できる。「交通規則を示す物標」には、他車両１２前方の路面ペイント等の交通標示、道路標識（交通標識を含む）、及び、道路や交通の状況に応じた案内、注意喚起、指導用の看板が含まれる。道路標識には、通行の禁止、制限等の規制を行う規制標識、設置した標識に対しての理由（車両種類・時間・区間など）の表示を補助的に行う補助標識が含まれる。

　（第２の算出基準）
　認知可能性算出部１０６は、最大認知範囲又は部分的認知範囲に、交通規則を認知できる道路構造及び交通規則を示す物標の内のいずれか１つの全体が含まれる場合、前記した１つの一部分だけが含まれる場合に比べて、高い認知可能性を算出することができる。例えば、図３Ａに示すように、右折矢印１４の一部が先行車両１３により隠蔽されている場合、部分的認知範囲には、右折矢印１４の一部だけが含まれることになる。一方、図３Ｂに示すように、右折矢印１４が先行車両１３により隠蔽されていない場合、部分的認知範囲Ｌｂには、右折矢印１４の全体が含まれることになる。よって、図３Ｂの走行シーンにおける認知可能性は、図３Ａの走行シーンにおける認知可能性よりも高くなる。

　（第３の算出基準）
　認知可能性算出部１０６は、他車両１２から、交通規則を認知できる道路構造又は交通規則を示す物標までの距離が短いほど、高い認知可能性を算出する。交通規則を認知できるものが近くにあれば、遠くにある場合に比べて、他車両１２の認知可能性は高くなる。例えば、距離が５ｍであれば認知可能性Ｒ_２を０．９、距離が８ｍであれば認知可能性Ｒ_２を０．８と算出してもよい。

　上記した第１~第３の算出基準は、各々単独で使用してしてもよいし、任意に組み合わせて実施してもよい。例えば、認知可能性算出部１０６は、（１）式を用いて、センシング範囲の遮蔽率に基づく認知可能性Ｒ_１と、距離に基づく認知可能性Ｒ_２とを統合して認知可能性Ｒを算出してもよい。α_１及びβ_１の各々は重み係数であり、Ｋ＋１は、補正項である。Ｋはゼロ又は正の数である。α_１、β_１、Ｋの各々が１である場合、認知可能性Ｒ_１と認知可能性Ｒ_２との間に等しい重みを付すことができる。また、認知可能性Ｒは、正規分布からなる確率密度関数などの予め設計した分布から求めても構わない。

　（第４の算出基準）
　認知可能性算出部１０６は、最大認知範囲又は部分的認知範囲として、自車両１１が交通規則を認知できる自車認知範囲を用いて、認知可能性を算出することができる。即ち、自車両１１から認知することが出来る範囲を、他車両１２の最大認知範囲又は部分的認知範囲に置き換えて、認知可能性を算出してもよい。第４の算出基準は、第１~第３の算出手段に組み合わせて実施することができる。

　（第５の算出基準）
　認知可能性算出部１０６は、自車両１１が実際に検知した、交通規則を認知できる道路構造又は交通規則を示す物標に基づいて、認知可能性を算出することができる。即ち、自車両１１が実際に検知した道路構造又は物標は、他車両１２も検知できたであろう、という推測の下で、認知可能性を算出することができる。第５の算出基準は、第１~第４の算出手段に組み合わせて実施することができる。

　走行状態変化検出部１０７は、物体検出部１０２によって検出される現実の走行状態が変化したことを検出する。具体的に、走行状態変化検出部１０７は、異なる２つの時刻における現実の走行状態の間に第１の基準値以上の差が有る場合に、現実の走行状態が変化したことを検出することができる。走行状態変化検出部１０７は、異なる２つの時刻における現実の走行状態の間に第１の基準値以上の差が無い場合、現実の走行状態が変化したと判断しなくてもよい。

　或いは、走行状態変化検出部１０７は、異なる２つの時刻における単位時間あたりの現実の走行状態の変化量の間に第２の基準値以上の差が有る場合、現実の走行状態が変化したことを検出することができる。異なる２つの時刻における単位時間あたりの現実の走行状態の変化量の間に第２の基準値以上の差が無い場合、現実の走行状態が変化したと判断しなくてもよい。このように、走行状態変化検出部１０７は、異なる２つの時刻における現実の走行状態の比較、又は、異なる２つの時刻における単位時間あたりの現実の走行状態の変化量の比較に基づいて、現実の走行状態が変化したか否かを判断することができる。

　予測動作決定部１０８は、認知可能性算出部１０６が算出した認知可能性、ルール導出部１０５が予測した予測走行状態、及び、現実の走行状態が変化したことに基づいて、他車両１２が車線変更を行うことを予測する。なお、「現実の走行状態が変化したこと」は、走行状態変化検出部１０７により検出される。具体的には、先ず、現実の走行状態が変化したことを走行状態変化検出部１０７が検出した場合に、物体検出部１０２は、現実の走行状態を取得する。物体検出部１０２が取得する「現実の走行状態」として、以下の２つの例（第１の例及び第２の例）がある。

　（第１の例）
　物体検出部１０２は、現実の走行状態として、変化した後の現実の走行状態を取得する。前述したように、変化した後の現実の走行状態は、他車両１２の位置、姿勢、速度、加速度、及び走行軌跡の内のいずれか１つを示す数値、又はいずれか２以上を示す数値の組合せで表現される。変化した後の現実の走行状態は、数値ではなく、数値に関連した状態で表現してもよい。

　（第２の例）
　物体検出部１０２は、現実の走行状態として、走行状態の変化を示す情報である変化情報を取得する。変化情報は、他車両１２の位置、姿勢、速度、加速度、及び走行軌跡の内のいずれか１つを示す数値、又はいずれか２以上を示す数値の組合せ、で表現することができる。或いは、変化情報は、隣接車線Ｇ２又は自車線Ｇ１に対する他車両１２の向き、隣接車線Ｇ２の中での車幅方向の他車両１２の位置、他車両１２の速度、他車両１２の加速度、及び他車両１２の減速度の内のいずれか１つに関連する他車両１２の状態、又は２つ以上に関連する他車両１２の状態の組合せ、で表現してもよい。

　そして、予測動作決定部１０８は、他車両が交通規則に従った場合の走行状態（すなわち車線変更を行わない場合の走行状態）である予測走行状態と現実の走行状態とを比較し、比較した結果と認知可能性とに基づいて、他車両１２が車線変更を行うことを予測する。「比較した結果」として、以下の３つの例（第３の例~第５の例）がある。

　（第３の例）
　予測動作決定部１０８は、予測走行状態と現実の走行状態とを比較して、予測走行状態に沿わない方向への現実の走行状態のズレ量を算出する。「予測走行状態に沿わない方向への現実の走行状態のズレ量」とは、例えば、図３Ａに示すように、他車両１２が右側車線Ｇ２を走行している場合、ルール導出部１０５は、予測走行状態として、右側車線Ｇ２の車幅方向の中央を走行する予測走行軌跡を予測する。物体検出部１０２が検出した現実の走行軌跡（現実の走行状態の一例）が、予測走行軌跡よりも右側にずれている場合、右側に曲がっている予測走行軌跡に沿う方向へ、現実の走行状態がずれていると言える。逆に、物体検出部１０２が検出した現実の走行軌跡が、予測走行軌跡よりも左側にずれている場合、右側に曲がっている予測走行状態に沿わない方向へ現実の走行状態がずれていると言える。よって、図３Ａに示す走行シーンにおいて、予測動作決定部１０８は、現実の走行軌跡が予測走行軌跡よりも左側にずれているズレ量を、「予測走行状態に沿わない方向への現実の走行状態のズレ量」として、算出する。なお、図３Ａに示す走行シーンで、現実の走行軌跡が予測走行軌跡よりも右側にずれている場合、「予測走行状態に沿わない方向への現実の走行状態のズレ量」は、ゼロである。つまり、右折専用レーンにおいて、車線中央よりも車幅方向右側に寄っていても、ズレ量はゼロである。

　そして、予測動作決定部１０８は、例えば、図４に示す表に参照して、ズレ量と認知可能性とに基づいて、他車両１２が車線変更を行うか否かを判断する。具体的には、予め、ズレ量及び認知可能性の各々にしきい値（Ｔｈ_ａ１、Ｔｈ_ａ２、Ｔｈ_ｂ１、Ｔｈ_ｂ２）を設定し、ズレ量及び認知可能性としきい値との比較から、図４に示す表に参照して、他車両１２が車線変更を行うか否かを判断する。図４において、「１」は、車線変更を行うことを示し、「０」は、車線変更を行わないことを示す。

　なお、認知可能性のしきい値Ｔｈ_ｂ１はしきい値Ｔｈ_ｂ２よりも大きい値である。また、しきい値Ｔｈ_ｂ１としきい値Ｔｈ_ｂ２はそれぞれ、認知可能性がしきい値Ｔｈ_ｂ１よりも高ければ「認知可能性が高い（認知している可能性が高い）」と判断し、認知可能性がしきい値Ｔｈ_ｂ２より高ければ「認知可能性が有る（認知している可能性が有る）」と判断し、認知可能性がＴｈ_ｂ２以下であれば「認知可能性が低い（認知していない可能性が高い）」と判断するための、予め定められたしきい値である。

　また、ズレ量のしきい値Ｔｈ_ａ１はしきい値Ｔｈ_ａ２よりも大きい値である。ズレ量のしきい値Ｔｈ_ａ１及びＴｈ_ａ２はそれぞれ、ズレ量がＴｈ_ａ１よりも大きければ「ズレ量が大きい」と判断し、ズレ量がＴｈ_ａ２より大きければ「ズレ量が有る（ズレが発生している）」と判断し、ズレ量がＴｈ_ａ２以下であれば「ズレ量が無い（ズレが発生していない）」と判断するための、予め定められたしきい値である。

　予測動作決定部１０８は、認知可能性がしきい値Ｔｈ_ｂ１（第１のしきい値）よりも高く、且つズレ量がしきい値Ｔｈ_ａ２（第２のしきい値）よりも大きい場合、他車両１２が車線変更を行うことを予測する。また、予測動作決定部１０８は、認知可能性がしきい値Ｔｈ_ｂ１（第１のしきい値）以下であっても、ズレ量がしきい値Ｔｈ_ａ１（第３のしきい値）よりも大きい場合、他車両１２が車線変更を行うことを予測する。一方、予測動作決定部１０８は、認知可能性がしきい値Ｔｈ_ｂ１（第１のしきい値）以下であり、且つズレ量がしきい値Ｔｈ_ａ１（第３のしきい値）以下である場合、他車両１２が車線変更を行わないことを予測する。

　すなわち、ズレ量が大きい場合（ズレ量がしきい値Ｔｈ_ａ１よりも大きい場合）には認知可能性に関わらず他車両が車線変更を行うことを予測すると共に、認知可能性が高い場合（認知可能性がしきい値Ｔｈ_ｂ１より高い場合）にはズレ量が小さい場合であってもズレ量が検出されていれば（ズレ量がしきい値Ｔｈ_ａ２より大きければ）他車両が車線変更を行うことを予測する。これに対し、ズレ量が無い場合（ズレ量がしきい値Ｔｈ_ａ２以下の場合）には認知可能性に関わらず他車両の車線変更を予測しない。また、認知可能性が高くない場合（認知可能性がしきい値Ｔｈ_ｂ１以下の場合）には、ズレ量が有っても大きくない限りは（ズレ量がしきい値Ｔｈ_ａ２よりも大きくても、しきい値Ｔｈ_ａ１以下の場合は）他車両の車線変更を予測しない。つまり、ズレ量が大きい場合（ズレ量がしきい値Ｔｈ_ａ１よりも大きい場合）には認知可能性に関わらず他車両の車線変更を予測するが、認知可能性が高い場合（認知可能性がしきい値Ｔｈ_ｂ１より高い場合）に限ってはズレ量が小さい場合であっても、ズレ量が検出されていれば（ズレ量がしきい値Ｔｈ_ａ２より大きければ）他車両が車線変更を行うことを予測する。

　なお、現実の走行状態又は予測走行状態として、２以上を示す数値を組合せた場合、数値の各々について、図４に基づいて、しきい値と比較することが望ましい。そして、数値の各々についての判断結果を統合して、車線変更を行うか否かを判断すればよい。

　（第４の例）
　予測動作決定部１０８は、他車両が交通規則に従った場合の走行状態（すなわち車線変更を行わない場合の走行状態）である予測走行状態と、他車両の現実の走行状態とを比較して、予測走行状態に沿わない方向への現実の走行状態の相違性を算出する。例えば、予測動作決定部１０８は、（２）式を用いて、相違性ｄを算出することができる。（２）式において、ｖは現実の走行状態を示し、ｒは予測走行状態を示し、μ及びσは予め設定された定数を示す。例えば、μ及びσは、予測走行状態と現実の走行状態の差の平均値又は標準偏差である。予測動作決定部１０８は、（２）式によって標準化した値を、相違性ｄとして算出する。

　予測走行状態及び現実の走行状態が、隣接車線Ｇ２又は自車線Ｇ１に対する他車両１２の向き、隣接車線Ｇ２の中での車幅方向の他車両１２の位置、他車両１２の速度、他車両１２の加速度、及び他車両１２の減速度の内のいずれか１つに関連する他車両１２の状態、又は２つ以上に関連する他車両１２の状態の組合せ、で表現される場合を考える。この場合、予測動作決定部１０８は、予測走行状態及び現実の走行状態が一致したか否かを、相違性として算出すればよい。換言すれば、予測動作決定部１０８は、予測走行状態及び現実の走行状態を表現する状態が一致しているか相違しているか否かを、相違性として判断する。更に、予測走行状態及び現実の走行状態が、２以上を示す状態を組合せて表現された場合、状態の各々について相違性を判断し、各状態についての相違性の判断結果を統合して、１つの相違性を求めればよい。更に、相違性に複数の段階を設けても良い。例えば、予測走行状態（加速度）が、「減速」である場合、現実の走行状態（加速度）が加速の場合の相違性を「１」とし、低速の場合の相違性を「０．５」とし、減速の場合の相違性を「０」とすればよい。

　そして、予測動作決定部１０８は、例えば、図５に示す表に参照して、相違性と認知可能性とに基づいて、他車両１２が車線変更を行うか否かを判断する。具体的には、予測動作決定部１０８は、予め、相違性及び認知可能性の各々にしきい値（Ｔｈ_ｄ１、Ｔｈ_ｄ２、Ｔｈ_ｂ１、Ｔｈ_ｂ２）を設定する。そして、予測動作決定部１０８は、相違性及び認知可能性としきい値との比較から、図５に示す表に参照して、他車両１２が車線変更を行うか否かを判断する。図５において、「１」は、車線変更を行うことを示し、「０」は、車線変更を行わないことを示す。なお、認知可能性のしきい値Ｔｈ_ｂ１及びＴｈ_ｂ２は、上述の通り「認知可能性が高い」もしくは「認知可能性が低い」と判断するための、予め定められたしきい値である。また、相違性のしきい値Ｔｈ_ｄ１及びＴｈ_ｄ２は、それぞれ相違性がＴｈ_ｄ１よりも大きければ「相違性が高い（相違が大きい）」と判断し、相違性がＴｈ_ｄ２より大きければ「相違性が有る（相違が発生している）」と判断するための、予め定められたしきい値である。

　予測動作決定部１０８は、認知可能性がしきい値Ｔｈ_ｂ１（第４のしきい値）よりも高く、且つ相違性がしきい値Ｔｈ_ｄ２（第５のしきい値）よりも大きい場合、他車両１２が車線変更を行うことを予測する。予測動作決定部１０８は、認知可能性がしきい値Ｔｈ_ｂ１（第４のしきい値）以下であっても、相違性がしきい値Ｔｈ_ｄ１（第６のしきい値）よりも大きい場合、他車両１２が車線変更を行うことを予測する。一方、予測動作決定部１０８は、認知可能性がしきい値Ｔｈ_ｂ１以下であり、且つ相違性がしきい値Ｔｈ_ｄ１以下である場合、他車両１２が車線変更を行わないことを予測する。

　すなわち、相違性が高い場合（相違性がしきい値Ｔｈ_ｄ１よりも高い場合）には認知可能性に関わらず他車両が車線変更を行うことを予測すると共に、認知可能性が高い場合には相違性が小さい場合であっても相違が発生していることが検出されていれば（相違性がしきい値Ｔｈ_ｄ２より高ければ）他車両が車線変更を行うことを予測する。これに対し、相違性が無い場合（相違性がしきい値Ｔｈ_ｄ２以下の場合）には認知可能性に関わらず他車両の車線変更を予測しない。また、認知可能性が高くない場合（認知可能性がしきい値Ｔｈ_ｂ１以下の場合）には、相違性が有っても大きくない限りは（相違性がしきい値Ｔｈ_ｄ２よりも大きくても、しきい値Ｔｈ_ｄ１以下の場合は）他車両の車線変更を予測しない。つまり、相違性が大きい場合（相違性がしきい値Ｔｈ_ｄ１よりも大きい場合）には認知可能性に関わらず他車両の車線変更を予測するが、認知可能性が高い場合（認知可能性がしきい値Ｔｈ_ｂ１より高い場合）に限っては相違性が小さい場合であっても、相違性が有れば（相違性がしきい値Ｔｈ_ａ２より大きければ）他車両が車線変更を行うことを予測する。

　なお、現実の走行状態又は予測走行状態として、２以上を示す状態を組合せた場合、状態の各々について、図５に基づいて、しきい値と比較することが望ましい。そして、状態の各々についての判断結果を統合して、車線変更を行うか否かを判断すればよい。

　（第５の例）
　予測動作決定部１０８は、他車両が交通規則に従った場合の走行状態（すなわち車線変更を行わない場合の走行状態）である予測走行状態と、他車両の現実の走行状態とを比較して、他車両１２が車線変更を行う可能性を示す「車線変更可能性」を算出する。具体的に、予測動作決定部１０８は、前記した「ズレ量」又は「相違性」から、車線変更可能性を算出する。

　例えば、予測動作決定部１０８は、予測走行状態及び現実の走行状態の各々として、少なくとも他車両１２の位置、姿勢で構成されるベクトル（状態変数ベクトル）を算出する。なお、状態変数ベクトルに、他車両１２の速度又は加減速度を更に加えてもよい。予測動作決定部１０８は、予測走行状態（状態変数ベクトル）と現実の走行状態（状態変数ベクトル）とのズレ量を、距離ｅとして算出する。予測動作決定部１０８は、距離ｅを入力とする確率分布ｆ（ｅ）から、車線変更可能性を算出することができる。予測動作決定部１０８は、ズレ量（距離ｅ）が大きいほど、高い車線変更可能性を算出する。

　或いは、予測動作決定部１０８は、（２）式から算出した相違性ｄを（３）式に代入することにより、車線変更可能性Ｐ_ｄを算出してもよい。（３）式において、Ｎは、予測走行状態及び現実の走行状態の各々を表現する為に組み合わされた状態の数を示す。各状態について算出されるＮ個の相違性ｄ_ｎの平均値を、車線変更可能性Ｐ_ｄを算出することができる。（３）式によれば、相違性ｄ_ｎが大きいほど、高い車線変更可能性Ｐ_ｄを算出することができる。

　或いは、予測動作決定部１０８は、予測走行状態と現実の走行状態とを比較した結果と認知可能性Ｒとに基づいて、車線変更可能性Ｐを算出してもよい。具体的には、「予測走行状態と現実の走行状態とを比較した結果」として、（３）式から算出された車線変更可能性Ｐ_ｄを用いることができる。よって、予測動作決定部１０８は、車線変更可能性Ｐ_ｄと認知可能性Ｒとに基づいて、車線変更可能性Ｐを算出してもよい。勿論、「予測走行状態と現実の走行状態とを比較した結果」として、「予測走行状態に沿わない方向への現実の走行状態のズレ量」、及び（３）式から算出された相違性ｄを用いてもよい。

　例えば、予測動作決定部１０８は、（４）式に、車線変更可能性Ｐ_ｄ及び認知可能性Ｒを代入することにより、車線変更可能性Ｐを算出することができる。これにより、認知可能性Ｒを考慮して車線変更可能性Ｐを算出することができる。（４）式において、α_２及びβ_２は、車線変更可能性Ｐ_ｄ及び認知可能性Ｒの重み係数である。

　或いは、予測動作決定部１０８は、（４）式の代わりに、図６に示す表を参照して、車線変更可能性Ｐ_ｄと認知可能性Ｒとに基づいて、車線変更可能性Ｐを算出することができる。図６の表内の各数値は、車線変更可能性Ｐを示す。具体的に、予測動作決定部１０８は、予め、車線変更可能性Ｐ_ｄ及び認知可能性の各々に２つのしきい値（例えば、０．８、０．４）を設定する。車線変更可能性Ｐ_ｄ及び認知可能性としきい値とを比較して、車線変更可能性Ｐ_ｄ及び認知可能性Ｒの各々を、３つの段階（高・中・低）に分類する。そして、図６に示す表に、車線変更可能性Ｐ_ｄ及び認知可能性の分類を当て嵌めることにより、車線変更可能性Ｐを決定する。「ズレ量」又は「相違性」が小さい為に車線変更可能性Ｐ_ｄが低い場合（例えば、図６の「中」又は「低」）であっても、認知可能性Ｒが高ければ（例えば、図６の「高」）、高い車線変更可能性Ｐ（図６で、「０．８」、「０．６」）を決定する。

　なお、第５の例において、予測動作決定部１０８は、交通規則を示す物標としての看板、矢印信号、路面標識、区分線を含む道路構造の順番で、車線変更可能性を高く算出することができる。例えば、（４）式に対して、（５）~（７）式に示すように、物標の種類に係わる重み係数γを追加すればよい。（５）~（７）式におけるγは、例えば、看板が１．０、矢印信号が１．１、路面標識１．２、道路構造１．３である。

　第３の例~第５の例において、予測動作決定部１０８は、予測走行状態の代替として、他車両１２を除く隣接車線Ｇ２を走行する第３の車両の現実の走行状態を用いて、車線変更可能性を算出してもよい。つまり、他車両１２と同じ車線（隣接車線Ｇ２）を走行している第３の車両を基準として、他車両１２との「ズレ量」又は「相違性」、又は「車線変更可能性」を算出してもよい。具体的に、先ず、物体検出部１０２が、他車両１２を除く隣接車線Ｇ２を走行する第３の車両の現実の走行状態を取得する。例えば、図３Ａに示す、他車両１２の前方を走行する先行車両１３の現実の走行状態を取得する。そして、予測動作決定部１０８は、第３の車両の現実の走行状態と他車両１２の現実の走行状態とを比較して、「ズレ量」、「相違性」、又は「車線変更可能性」を算出する。

　例えば、「車線変更可能性Ｐ」を算出する第５の例において、予測動作決定部１０８は、（８）式を用いて、車線変更可能性Ｐを算出することができる。（８）式は、（４）式の右辺に、第３の車両の現実の走行状態を用いて算出した車線変更可能性Ｐ_ｖの項を追加した式である。「車線変更可能性Ｐ_ｖ」の算出方法は、第５の例で説明した、「ズレ量」又は「相違性」から、車線変更可能性を算出する方法を援用すればよい。

　予測動作決定部１０８は、（８）式に、車線変更可能性Ｐ_ｄ、認知可能性Ｒ、及び車線変更可能性Ｐ_ｄを代入することにより、車線変更可能性Ｐを算出することができる。これにより、認知可能性Ｒのみならず、第３の車両の現実の走行状態を用いて算出した車線変更可能性Ｐ_ｖをも考慮して車線変更可能性Ｐを算出することができる。（８）式において、α_２、β_２、εは、車線変更可能性Ｐ_ｄ、認知可能性Ｒ、及び車線変更可能性Ｐ_ｄの重み係数である。例えば、α_２＝０．２５、β_２＝０．５、ε＝０．２５である。

　そして、予測動作決定部１０８は、算出した車線変更可能性Ｐと所定のしきい値（第９のしきい値）とを比較して、他車両１２が車線変更を行うか否かを判断する。車線変更可能性が所定のしきい値（第９のしきい値）よりも高い場合に、予測動作決定部１０８は、他車両１２が車線変更を行うことを予測する。一方、車線変更可能性が所定のしきい値（第９のしきい値）以下である場合、予測動作決定部１０８は、他車両１２は車線変更を行わないと判断してもよい。

　予測動作決定部１０８は、自車両１１と他車両１２との車間距離又は自車両１１の速度を多段的に制御するために、互いに異なる複数の基準値を用いて車線変更可能性を判断してもよい。具体的に、複数個の所定のしきい値（第７のしきい値）を、多段的に予め準備する。そして、複数個の所定のしきい値（第７のしきい値）と車線変更可能性とを比較することにより、他車両１２が車線変更を行うか否かを多段的に判断する。他車両１２の車線変更に対する安全性を確保するための多段的な自車両１１の車両制御が可能となる。

　自車経路生成部１０９は、予測動作決定部１０８により予測された他車両１２の動作に基づいて、自車両１１の経路を生成する。他車両１２の自車線Ｇ１への車線変更が予測された場合、他車両１２の車線変更を予測した上での経路を生成できる。よって、他車両１２と十分な車間距離を保ち、かつ、他車両１２の動作により自車両１１が急減速又は急ハンドルとならない滑らかな自車両１１の経路を生成することができる。「自車両１１の経路」は、異なる時刻における自車両１１の位置のプロファイルのみならず、各位置における自車両１１の速度のプロファイルをも示す。自車経路生成部１０９は、車線変更に合わせた自車両１１の経路を生成する。更に、自車両１１に対する他車両１２の相対距離が大きくなるように自車両１１の経路を生成してもよい。また、自車両１１の前方に車列が形成されている場合、自車経路生成部１０９は、車列の間に他車両１２が割り込むための車間空間を形成するために自車両１１が減速する自車両１１の経路を算出してもよい。自車両１１をより安全に制御可能となる。

　車両制御部１１０は、自車経路生成部１０９により生成された経路に従って自車両１１が走行するように、自車位置推定部１０１により演算された自己位置に基づいて、ステアリングアクチュエータ、アクセルペダルアクチュエータ、及びブレーキペダルアクチュエータの少なくとも１つを駆動する。なお、実施形態では、自車両１１の経路に従って制御する場合を示すが、自車両１１の経路を生成せずに、自車両１１を制御してもよい。この場合、他車両１２との相対距離、或いは、他車両１２と自車両１１との姿勢角の差に基づいて制御を行うことも可能である。他車両１２が車線変更を行うか否かを多段的に判断した場合、車両制御部１１０は、他車両１２の車線変更に対する安全性を確保するための多段的な自車両１１の車両制御が可能となる。或いは、車線変更可能性の値そのものを使用して、自車両１１と他車両１２との車間距離及び自車両１１の車速を制御してもよい。

　図２を参照して、実施形態に係わる他車動作予測方法として、図１の他車動作予測装置の動作例を説明する。図２は、自車両１１のイグニッションスイッチがオン（電気自動車の場合は電源がオン）されてから、オフされるまで、所定の周期で繰り返し実施される。また、図２の制御フローは、自車両１１が自動運転により走行していることを前提としている。

　先ず、ステップＳ２０１において、自車位置推定部１０１は、自車両１１の自己位置（絶対位置及び相対位置）を計測する。そして、地図上における自車両１１の位置及び姿勢を検出する。ステップＳ２０２に進み、物体検出部１０２は、他車両１２の現実の走行状態を取得する。具体的に、物体検出部１０２は、物体検出センサを用いて他車両１２を検出し、他車両１２を追跡する。検出結果として、例えば、自車両１１の上方の空中から眺める天頂図における、他車両１２の現実の走行状態を出力する。

　ステップＳ２０３に進み、動作候補生成部１０３は、道路構造及び車線構造に基づいて、他車両１２が近い将来に行動しうる動作候補を予測する。動作候補には、車線変更も含まれる。ステップＳ２０４に進み、交通規則情報取得部１０４は、自車両１１の周囲の道路に係わる交通規則を示す情報（交通規則情報）を取得する。交通規則情報取得部１０４は、自車両１１の周囲の道路のうち、車線変更の判断の対象である他車両１２が走行する隣接車線（右側車線Ｇ２）に係わる交通規則情報を取得してもよい。地図データ又は自車両１１の周囲の画像の解析から、交通規則情報を取得することができる。

　交通規則情報を取得できない場合（Ｓ２０５でＮＯ）、ステップＳ２０８へ進む。一方、交通規則情報を取得できた場合（Ｓ２０５でＹＥＳ）、ステップＳ２０６へ進み、ルール導出部１０５は、交通規則に沿って走行した場合の他車両１２の走行状態である「予測走行状態」をルールとして予測する。その後、ステップＳ２０７に進み、認知可能性算出部１０６は、他車両１２が交通規則を認知した可能性を示す「認知可能性」を算出する。ここでの「交通規則」には、他車両１２が走行する隣接車線（右側車線Ｇ２）に係わる交通規則が少なくとも含まれる。

　ステップＳ２０８に進み、走行状態変化検出部１０７は、物体検出部１０２によって検出された他車両１２の現実の走行状態が変化したことを検出する。具体的に、走行状態変化検出部１０７は、異なる２つの時刻における現実の走行状態の比較、又は、異なる２つの時刻における単位時間あたりの現実の走行状態の変化量の比較に基づいて、現実の走行状態が変化したか否かを判断する。

　ステップＳ２０９に進み、予測動作決定部１０８は、認知可能性算出部１０６が算出した認知可能性、ルール導出部１０５が予測した予測走行状態、及び、現実の走行状態が変化したことに基づいて、他車両１２が車線変更を行うことを予測する。

　ステップＳ２１０に進み、自車経路生成部１０９は、ステップＳ２０９で予測された他車両１２の動作に基づいて、自車両１１の経路を生成する。他車両１２の自車線Ｇ１への車線変更が予測された場合、他車両１２の車線変更を予測した上での経路を生成する。自車両１１の経路として、自車経路生成部１０９は、自車両１１に対する他車両１２の相対距離を決定し、相対距離を維持する為に必要な自車両１１の軌跡及び車速を決定する。

　ステップＳ２１１に進み、車両制御部１１０は、ステップＳ２１０において生成された経路に従って自車両１１が走行するように、自車位置推定部１０１により演算された自己位置に基づいて、各種アクチュエータを駆動する。車両制御部１１０は、自車両１１の経路を生成せずに、自車両１１を制御してもよい。

　以上説明したように、実施形態によれば、以下の作用効果を得ることができる。

　予測動作決定部１０８は、他車両１２の認知可能性、他車両１２前方の交通規則から導出した予測走行状態、及び他車両１２の現実の走行状態が変化したことに基づいて、他車両１２が車線変更を行うことを予測する。他車両１２の走行状態の変化は小さいが、認知可能性が高い場合、走行状態の変化は、交通規則を認知したことによる、他車両１２が行動したい動作（車線変更）の予備動作である可能性が高い。つまり、交通規則の不認知から認知への変化に応じて、他車両１２の走行状態（車両の挙動を含む）が変化した可能性が高い。よって、この場合、予測動作決定部１０８は車線変更を予測するので、早期の予測が可能である。したがって、車線変更の予測が遅れることを抑制できる。また、現実の走行状態及び予測走行状態に基づいて車線変更を判断しているため、他車両１２の車線変更を正しく予測することができる。更に、誤った予測による自車両１１の減速、及び予測が遅れたことによる自車両１１の急減速を抑制することができる。

　予測走行状態は、他車両１２の絶対位置及び相対位置を含む位置、姿勢（ヨー角、車軸方向）、速度、加速度、及び走行軌跡の内のいずれか１つを示す数値、又はいずれか２以上を示す数値の組合せで表現することができる。これにより、他車両１２の動作を誤って予測すること及び予測が遅延することを抑制することができる。

　予測走行状態は、隣接車線（右側車線Ｇ２）又は自車線（左側車線Ｇ１）に対する他車両１２の向き、隣接車線の中での車幅方向の他車両１２の位置、他車両１２の速度、他車両１２の加速度、及び他車両１２の減速度の内のいずれか１つに関連する他車両１２の状態、又は２つ以上に関連する他車両１２の状態の組合せで表現することもできる。これにより、他車両１２の動作を誤って予測すること及び予測が遅延することを抑制することができる。

　ルール導出部１０５は、交通規則情報、隣接車線（Ｇ２）に係わる道路構造、及び隣接車線（Ｇ２）に係わる道路の制限速度に基づいて、予測走行状態を予測する。これにより、他車両１２の動作を誤って予測すること及び予測が遅延することを抑制することができる。

　認知可能性算出部１０６は、最大認知範囲と部分的認知範囲とを用いて、認知可能性を算出する。これにより、認知可能性の算出精度が向上する。一般的な運転者を基準として認知可能性を判断できる。また、周囲車両や工事などの周囲環境による遮蔽の有無を判断できる。

　認知可能性算出部１０６は、最大認知範囲と部分的認知範囲の両方に、交通規則を認知できる道路構造又は交通規則を示す物標が含まれている場合、最大認知範囲と部分的認知範囲の両方に、道路構造又は物標が含まれていない場合に比べて、高い認知可能性を算出する。これにより、認知可能性の算出精度が向上する。

　認知可能性算出部１０６は、最大認知範囲又は部分的認知範囲に、交通規則を認知できる道路構造及び交通規則を示す物標の内のいずれか１つの全体が含まれる場合、前記した１つの一部分だけが含まれる場合に比べて、高い認知可能性を算出する。これにより、認知可能性の算出精度が向上する。

　認知可能性算出部１０６は、他車両１２から、交通規則を認知できる道路構造又は交通規則を示す物標までの距離が短いほど、高い認知可能性を算出する。例えば、図３Ｂに示すように、他車両１２から右折矢印１４までの距離Ｈ１が短いほど、高い認知可能性を算出する。これにより、認知可能性の算出精度が向上する。

　認知可能性算出部１０６は、最大認知範囲又は部分的認知範囲として、自車両１１が交通規則を認知できる自車認知範囲を用いて、認知可能性を算出する。これにより、認知可能性の算出精度が向上する。

　認知可能性算出部１０６は、自車両１１が実際に検知した、交通規則を認知できる道路構造又は交通規則を示す物標に基づいて、認知可能性を算出する。これにより、認知可能性の算出精度が向上する。

　現実の走行状態が変化したことを検出した場合（図２のＳ２０８）に、図２のステップＳ２０９において、物体検出部１０２は、現実の走行状態を取得する。これにより、「現実の走行状態」を正しく取得することができるので、他車両１２の動作を精度良く予測することができる。

　走行状態変化検出部１０７は、異なる２つの時刻における現実の走行状態の比較、又は、異なる２つの時刻における単位時間あたりの現実の走行状態の変化量の比較に基づいて、現実の走行状態が変化したか否かを判断する。これにより、現実の走行状態が変化したことを精度良く検出できる。

　物体検出部１０２は、現実の走行状態として、変化した後の現実の走行状態を取得する。変化した後の現実の走行状態は、他車両１２の位置、姿勢、速度、加速度、及び走行軌跡の内のいずれか１つを示す数値、又はいずれか２以上を示す数値の組合せで表現される。これにより、他車両１２の動作を誤って予測すること及び予測が遅延することを抑制することができる。

　物体検出部１０２は、現実の走行状態として、走行状態の変化を示す情報である変化情報を取得する。変化情報は、他車両１２の位置、姿勢、速度、加速度、及び走行軌跡の内のいずれか１つを示す数値、又はいずれか２以上を示す数値の組合せ、で表現することができる。或いは、変化情報は、隣接車線Ｇ２又は自車線Ｇ１に対する他車両１２の向き、隣接車線Ｇ２の中での車幅方向の他車両１２の位置、他車両１２の速度、他車両１２の加速度、及び他車両１２の減速度の内のいずれか１つに関連する他車両１２の状態、又は２つ以上に関連する他車両１２の状態の組合せ、で表現できる。これにより、現実の走行状態を精度良く検出できる。

　予測動作決定部１０８は、予測走行状態と現実の走行状態とを比較し、比較した結果と認知可能性とに基づいて、他車両１２が車線変更を行うことを予測する。これにより、他車両１２の動作を誤って予測すること及び予測が遅延することを抑制することができる。

　予測動作決定部１０８は、認知可能性がしきい値Ｔｈ_ｂ１（第１のしきい値）よりも高く、且つズレ量がしきい値Ｔｈ_ａ２（第２のしきい値）よりも大きい場合、他車両１２が車線変更を行うことを予測する。予測動作決定部１０８は、認知可能性がしきい値Ｔｈ_ｂ１（第１のしきい値）以下であっても、ズレ量がしきい値Ｔｈ_ａ１（第３のしきい値）よりも大きい場合、他車両１２が車線変更を行うことを予測する。これにより、他車両１２の動作を誤って予測すること及び予測が遅延することを抑制することができる。

　予測動作決定部１０８は、認知可能性がしきい値Ｔｈ_ｂ１（第４のしきい値）よりも高く、且つ相違性がしきい値Ｔｈ_ｄ２（第５のしきい値）よりも大きい場合、他車両１２が車線変更を行うことを予測する。予測動作決定部１０８は、認知可能性がしきい値Ｔｈ_ｂ１（第４のしきい値）以下であっても、相違性がしきい値Ｔｈ_ｄ１（第６のしきい値）よりも大きい場合、他車両１２が車線変更を行うことを予測する。これにより、他車両１２の動作を誤って予測すること及び予測が遅延することを抑制することができる。

　予測動作決定部１０８は、予測走行状態と現実の走行状態とを比較して、他車両１２が車線変更を行う可能性を示す「車線変更可能性」を算出する。そして、予測動作決定部１０８は、算出した車線変更可能性と所定のしきい値（第７のしきい値）とを比較して、他車両１２が車線変更を行うか否かを判断する。これにより、他車両１２の動作を誤って予測すること及び予測が遅延することを抑制することができる。

　予測動作決定部１０８は、ズレ量（距離ｅ）が大きいほど、高い車線変更可能性を算出する。これにより、車線変更可能性を精度良く算出することができる。

　予測動作決定部１０８は、（３）式を用いて、相違性ｄ_ｎが大きいほど、高い車線変更可能性Ｐ_ｄを算出する。これにより、車線変更可能性を精度良く算出することができる。

　予測動作決定部１０８は、（４）式又は図６に示す表を用いて、予測走行状態と現実の走行状態とを比較した結果と認知可能性Ｒとに基づいて、車線変更可能性Ｐを算出する。これにより、車線変更可能性を精度良く算出することができる。

　予測動作決定部１０８は、交通規則を示す物標としての看板、矢印信号、路面標識、区分線を含む道路構造の順番で、車線変更可能性を高く算出する。これにより、車線変更可能性を精度良く算出することができる。特に、他車両１２の急な割り込みを精度良く且つ迅速に予測することができる。

　予測動作決定部１０８は、予測走行状態の代替として、他車両１２を除く隣接車線Ｇ２を走行する第３の車両の現実の走行状態を用いて、車線変更可能性を算出する。これにより、形式的な交通規則ではなく、第３の車両の実際の動作を基準として、「ズレ量」又は「相違性」を判断できる。よって、形式的な交通規則とらわれず、車線変更可能性を精度良く且つ柔軟に判断することができる。

　予測動作決定部１０８は、自車両１１と他車両１２との車間距離又は自車両１１の速度を多段的に制御するために、互いに異なる複数の基準値を用いて車線変更可能性を判断する。他車両１２の車線変更に対する安全性を確保するための多段的な自車両１１の車両制御が可能となる。

　上述の各実施形態で示した各機能は、１又は複数の処理回路により実装され得る。処理回路は、電気回路を含む処理装置等のプログラムされた処理装置を含む。処理装置は、また、実施形態に記載された機能を実行するようにアレンジされた特定用途向け集積回路（ＡＳＩＣ）や従来型の回路部品のような装置を含む。

　なお、上述の実施形態は本発明の一例である。このため、本発明は、上述の実施形態に限定されることはなく、この実施形態以外の形態であっても、本発明に係る技術的思想を逸脱しない範囲であれば、設計などに応じて種々の変更が可能であることは言うまでもない。例えば図３Ａ及び図３Ｂにおいては自車両が直進、他車両が右折レーンを走行する場合を例示したがこれに限らず、例えば自車両が直進、他車両が左折レーンを走行する場合であっても適用可能である。

　１１　自車両
　１２　他車両
　１４　右折矢印（交通規則を示す物標）
　Ｇ１　自車線
　Ｇ２　隣接車線
　Ｈ１　距離
　Ｌａ　最大認知範囲
　Ｌｂ　部分的認知範囲

Claims

　自車両が走行する自車線に隣接する車線である隣接車線を走行する他車両の挙動に基づいて、前記他車両が前記自車両の前方において前記隣接車線から前記自車線へ車線変更を行うことを予測する他車動作予測装置の他車動作予測方法であって、
　前記他車両の現実の走行状態を取得し、
　前記隣接車線に係わる前記他車両前方の交通規則を示す情報である交通規則情報を取得し、
　前記他車両が前記交通規則に沿って走行した場合の前記他車両の走行状態である予測走行状態を予測し、
　前記他車両が前記交通規則を認知した可能性を示す認知可能性を算出し、
　前記認知可能性、前記予測走行状態、及び、前記現実の走行状態に基づいて、前記他車両が前記車線変更を行うことを予測することを特徴とする他車動作予測方法。
　前記予測走行状態は、前記他車両の位置、姿勢、速度、加速度、及び走行軌跡の内のいずれか１つを示す数値、又はいずれか２以上を示す数値の組合せで表現されることを特徴とする請求項１に記載の他車動作予測方法。
　前記予測走行状態は、前記隣接車線又は前記自車線に対する前記他車両の向き、前記隣接車線の中での車幅方向の前記他車両の位置、前記他車両の速度、前記他車両の加速度、及び前記他車両の減速度の内のいずれか１つに関連する他車両の状態、又は２つ以上に関連する他車両の状態の組合せで表現されることを特徴とする請求項１に記載の他車動作予測方法。
　前記交通規則情報、前記隣接車線に係わる道路構造、及び前記隣接車線に係わる道路の制限速度に基づいて、前記予測走行状態を予測することを特徴とする請求項１~３のいずれか一項に記載の他車動作予測方法。
　前記他車両の前記交通規則を認知可能な最大範囲である最大認知範囲と、前記他車両の車高及び前記他車両の走行環境に応じた前記交通規則を認知可能な範囲である部分的認知範囲とを用いて、前記認知可能性を算出することを特徴とする請求項１~４のいずれか一項に記載の他車動作予測方法。
　前記最大認知範囲と前記部分的認知範囲の両方に、前記交通規則を認知できる道路構造又は前記交通規則を示す物標が含まれている場合、前記最大認知範囲と前記部分的認知範囲の両方に、前記道路構造又は前記物標が含まれていない場合に比べて、高い前記認知可能性を算出することを特徴とする請求項５に記載の他車動作予測方法。
　前記最大認知範囲又は前記部分的認知範囲に、前記交通規則を認知できる道路構造及び前記交通規則を示す物標の内のいずれか１つの全体が含まれる場合、前記１つの一部分だけが含まれる場合に比べて、高い前記認知可能性を算出することを特徴とする請求項５又は６に記載の他車動作予測方法。
　前記他車両から、前記交通規則を認知できる道路構造又は前記交通規則を示す物標までの距離が短いほど、高い前記認知可能性を算出することを特徴とする請求項５~７のいずれか一項に記載の他車動作予測方法。
　前記最大認知範囲又は前記部分的認知範囲として、前記自車両が前記交通規則を認知できる自車認知範囲を用いて、前記認知可能性を算出することを特徴とする請求項５~８のいずれか一項に記載の他車動作予測方法。
　前記自車両が実際に検知した、前記交通規則を認知できる道路構造又は前記交通規則を示す物標に基づいて、前記認知可能性を算出することを特徴とする請求項５~８のいずれか一項に記載の他車動作予測方法。
　前記現実の走行状態が変化したことを検出した場合に、前記現実の走行状態を取得することを特徴とする請求項１~１０のいずれか一項に記載の他車動作予測方法。
　異なる２つの時刻における前記現実の走行状態の間に第１の基準値以上の差が有る場合、又は、異なる２つの時刻における単位時間あたりの前記現実の走行状態の変化量の間に第２の基準値以上の差が有る場合、前記現実の走行状態が変化したことを検出することを特徴とする請求項１１に記載の他車動作予測方法。
　変化した後の前記現実の走行状態を取得し、
　前記変化した後の前記現実の走行状態は、前記他車両の位置、姿勢、速度、加速度、及び走行軌跡の内のいずれか１つを示す数値、又はいずれか２以上を示す数値の組合せで表現されることを特徴とする請求項１１に記載の他車動作予測方法。
　前記現実の走行状態として、前記走行状態の変化を示す情報である変化情報を取得し、
　前記変化情報は、
　前記他車両の位置、姿勢、速度、加速度、及び走行軌跡の内のいずれか１つを示す数値、又はいずれか２以上を示す数値の組合せ、或いは、
　前記隣接車線又は前記自車線に対する前記他車両の向き、前記隣接車線の中での車幅方向の前記他車両の位置、前記他車両の速度、前記他車両の加速度、及び前記他車両の減速度の内のいずれか１つに関連する他車両の状態、又は２つ以上に関連する他車両の状態の組合せ、で表現できる情報であることを特徴とする請求項１１に記載の他車動作予測方法。
　前記予測走行状態と前記現実の走行状態とを比較し、
　前記比較した結果と前記認知可能性とに基づいて、前記他車両が前記車線変更を行うことを予測することを特徴とする請求項１~１４のいずれか一項に記載の他車動作予測方法。
　前記予測走行状態と前記現実の走行状態とを比較して、前記予測走行状態に対する前記現実の走行状態のズレ量を算出し、
　前記認知可能性が予め定められた第１のしきい値よりも高く、且つ前記ズレ量が予め定められた第２のしきい値よりも大きい場合、前記他車両が前記車線変更を行うことを予測し、
　前記ズレ量が前記第２のしきい値よりも大きい、予め定められた第３のしきい値よりも大きい場合、前記他車両が前記車線変更を行うことを予測する
ことを特徴とする請求項１５に記載の他車動作予測方法。
　前記予測走行状態と前記現実の走行状態とを比較して、前記予測走行状態に対する前記現実の走行状態の相違性を算出し、
　前記認知可能性が予め定められた第４のしきい値よりも高く、且つ前記相違性が予め定められた第５のしきい値よりも大きい場合、前記他車両が前記車線変更を行うことを予測し、
　前記相違性が前記第５のしきい値よりも大きい、予め定められた第６のしきい値よりも大きい場合、前記他車両が前記車線変更を行うことを予測する
ことを特徴とする請求項１５に記載の他車動作予測方法。
　前記予測走行状態と前記現実の走行状態とを比較して、前記他車両が前記車線変更を行う可能性を示す車線変更可能性を算出し、
　前記車線変更可能性が第７のしきい値よりも高い場合に、前記他車両が前記車線変更を行うことを予測する
ことを特徴とする請求項１５に記載の他車動作予測方法。
　前記予測走行状態と前記現実の走行状態とを比較して、前記他車両が前記車線変更を行う可能性を示す車線変更可能性を算出し、
　前記ズレ量が大きいほど、高い前記車線変更可能性を算出する
ことを特徴とする請求項１６に記載の他車動作予測方法。
　前記予測走行状態と前記現実の走行状態とを比較して、前記他車両が前記車線変更を行う可能性を示す車線変更可能性を算出し、
　前記相違性が大きいほど、高い前記車線変更可能性を算出する
ことを特徴とする請求項１７に記載の他車動作予測方法。
　前記予測走行状態と前記現実の走行状態とを比較し、
　比較した結果及び前記認知可能性に基づいて、前記車線変更可能性を算出する
ことを特徴とする請求項１８~２０のいずれか一項に記載の他車動作予測方法。
　前記交通規則を示す物標としての看板、矢印信号、路面標識、及び道路構造の順番で、前記車線変更可能性を高く算出することを特徴とする請求項１８に記載の他車動作予測方法。
　前記他車両を除く前記隣椄車線を走行する第３の車両の現実の走行状態を取得し、
　前記第３の車両の現実の走行状態と前記他車両の現実の走行状態とを比較して、前記車線変更可能性を算出する
ことを特徴とする請求項１８に記載の他車動作予測方法。
　前記自車両と前記他車両との車間距離又は前記自車両の速度を多段的に制御するために、互いに異なる複数の基準値を用いて前記車線変更可能性を判断することを特徴とする請求項１８に記載の他車動作予測方法。
　自車両が走行する自車線に隣接する車線である隣接車線を走行する他車両の挙動に基づいて、前記他車両が前記自車両の前方において前記隣接車線から前記自車線へ車線変更を行うことを予測する制御部を備える他車動作予測装置であって、前記制御部は、
　前記他車両の現実の走行状態を取得し、
　前記隣接車線に係わる前記他車両前方の交通規則を示す情報である交通規則情報を取得し、
　前記他車両が前記交通規則に沿って走行した場合の前記他車両の走行状態である予測走行状態を予測し、
　前記他車両が前記交通規則を認知した可能性を示す認知可能性を算出し、
　前記認知可能性、前記予測走行状態、及び、前記現実の走行状態に基づいて、前記他車両が前記車線変更を行うことを予測することを特徴とする他車動作予測装置。