CN104246851B - 前车确定装置 - Google Patents

Abstract

本发明的一个实施方式的前车确定装置为了从多个其他车辆中确定本车的前车而具备数据取得部和确定部。数据取得部使用本车的检测装置取得在与本车紧挨着的前方行驶的其他车辆的运行状态量数据(ps(n)，pp(n))，使用车车间通信取得多个其他车辆k的各个其他车辆k的运行状态量数据(ts_k(n)，tp_k(n))(步骤205)。确定部取得表示这些数据间的类似性的统计量(A1～A7)(步骤210，220，230等)，基于统计量(A1～A7)的各个统计量和预定的关系取得前车概率(α1～α7)(步骤215，225，235等)。然后，确定装置基于多个前车概率(α1～α7)算出各其他车辆k的最终前车概率αk(步骤280)，基于该最终前车概率αk确定所述前车(步骤290、294)。

Description

前车确定装置

技术领域

本发明涉及一种前车确定装置，其从在本车(自己的车辆)的附近行驶的其他车辆中，确定在与本车紧挨着的前方行驶的其他车辆(前车)。

背景技术

现有的前车确定装置之一(现有装置)求出使用搭载于本车的传感器(本车传感器)取得的其他车辆的速度与使用车车间通信(一辆车与其他车辆之间的无线通信)取得的其他车辆的速度的速度差ΔV。接着，现有装置将速度的一致度Mv作为速度差ΔV的函数而求出。进而，现有装置提取一致度Mv成为阈值以上的其他车辆作为第1候补前车。

在存在多个第1候补前车的情况下，现有装置对所述第1候补前车的各个第1候补前车求出使用本车传感器取得的这些其他车辆的大小(面积)与使用车车间通信取得的这些其他车辆的大小(面积)之差ΔS。接着，现有装置将大小的一致度Ms作为差ΔS的函数而求出。进而，现有装置从第1候补前车中提取一致度Ms成为阈值以上的其他车辆作为第2候补前车。

在存在多个第2候补前车的情况下，现有装置对所述第2候补前车的每一个求出使用本车传感器取得的这些其他车辆的位置与使用车车间通信取得的这些其他车辆的位置之间的距离I。接着，现有装置将位置的一致度Mp作为距离I的函数而求出。进而，现有装置从第2候补前车中提取一致度Mp成为阈值以上的其他车辆作为第3候补前车。并且，在第3候补前车为一台的情况下，现有装置将该一台车辆决定为通过本车传感器检测速度等的车辆(即，前车或通信前车)(例如，参照专利文献1。)。

现有技术文献

专利文献

专利文献1：日本特开2010-86269号公报

发明内容

然而，根据上述现有技术，由于对速度的一致度Mv、大小的一致度Ms以及位置的一致度Mp分别设定有阈值，所以由于以下所述理由，结果存在无法高精度地确定前车这样的问题。

例如，在谈到速度时，因为不可避免地存在各传感器的检测误差及因通信的延迟等引起的误差等(以下，统称为“检测误差”)，所以需要将相对于速度的一致度Mv的阈值设定为考虑了该检测误差的值。因此，基于速度的一致度Mv提取的第1候补前车很有可能成为多个其他车辆。

同样，关于车辆的大小，也需要考虑检测误差。除此之外，存在多个大小大致相同的乘用车在本车的附近行驶的情况。因此，多数情况下难以通过大小的一致度Ms从第1候补前车中进行缩减(提取第2候补前车)。

同样，关于车辆的位置，也需要考虑检测误差。而且，使用GPS的定位的精度相对不高。其结果，难以通过位置的一致度Mp从第2候补前车进一步进行缩减(提取第3候补前车)。

本发明是鉴于上述问题而完成的发明。即，本发明的目的在于，提供一种前车确定装置，其取得多种表示基于本车的检测装置得到的数据与基于车车间通信得到的数据的类似性的统计量，从该多种统计量中求出相对于各个统计量的前车概率，基于该多个前车概率算出各其他车辆的最终前车概率并且使用该算出的最终前车概率，由此能够高精度地且在短时间内确定前车。

本发明的前车确定装置是从在本车的附近行驶的多个其他车辆中确定在与该本车紧挨着的前方行驶的前车的装置。本发明的前车确定装置包括数据取得部和确定部。

所述数据取得部，

使用本车的检测装置取得“包含表示在与所述本车紧挨着的前方行驶的其他车辆的运行状态量的多个数据的第1数据组”，并且，

使用“所述本车与所述多个其他车辆的各个其他车辆的车车间通信”取得“包含表示所述多个其他车辆的各个其他车辆的运行状态量的多个数据的第2数据组”。此时，所述数据取得部也使用车车间通信取得确定正在发送所述第2数据组的其他车辆的数据。

取得的运行状态量例如是速度和位置等。

所述确定部取得多种表示所述第1数据组与所述多个其他车辆的各个其他车辆的所述第2数据组之间的数据的类似性的统计量。也就是说，对多个其他车辆的各个其他车辆取得多种统计量。

进而，所述确定部对于所述多个其他车辆的任意一个，

基于所述取得的多种统计量的各种统计量和对所述多种统计量的各种统计量预先设定的预定的关系，取得相对于所述取得的多种统计量的各种统计量的前车概率(α1，α2，…，αn)。

除此之外，所述确定部对于所述多个其他车辆的任意一个，基于所述取得的多个前车概率算出最终前车概率。并且，所述确定部基于关于各个其他车辆的最终前车概率来确定所述前车。

由此，根据各个统计量的种类取得相对于所取得的多种统计量的各种统计量的前车概率。

因此，例如，能够根据统计量之一(后述的最大速度差及相关系数等)是否符合以下情况等的任一者，来取得相对于该统计量的合适的前车概率。

·在大部分的交通环境下仅前车的统计量能够满足的范围内的情况，

·在考虑数据的平均误差(例如，车车间通信的延迟及本车的检测装置的检测误差等)时前车的统计量能够满足的范围内的情况，

·在考虑数据的最大误差时前车的统计量能够满足的范围内的情况，以及，

·在即使考虑数据的误差，前车的统计量也无法满足的范围内的情况。

并且，关于某其他车辆k，基于关于该其他车辆k取得的多个前车概率算出最终前车概率(αk)，基于关于各个其他车辆的最终前车概率来确定所述前车。即，不是按统计量缩减前车的候补，而是基于相对于各个统计量合适地求出的反映出前车概率的最终前车概率来综合地确定前车。因此，本发明的前车确定装置能够高精度地且在短时间内确定前车。

该情况下，所述第1数据组所包含的所述多个数据可以包含与在与所述本车紧挨着的前方行驶的其他车辆的速度相关联的数据的时序数据，所述第2数据组所包含的所述多个数据可以包含与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据。

与速度有关的数据通常精度比由GPS装置等取得的与位置有关的数据高。除此之外，位置的数据在GPS装置无法接收信号的状况下(例如，隧道内)无法使用，但与速度有关的数据在那样的状况下也能够使用。因此，根据上述结构，能够更高精度地确定前车。

所述第1数据组所包含的所述多个数据可以仅包含与在与所述本车紧挨着的前方行驶的其他车辆的速度相关联的数据的“时序数据”，所述第2数据组所包含的所述多个数据可以仅包含与所述多个其他车辆的各个其他车辆的速度相关联的数据的“时序数据”。

该情况下，所述确定部优选构成为，

基于所述第1数据组所包含的与所述其他车辆的速度相关联的数据的时序数据和所述第2数据组所包含的与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据，取得2种以上的与速度相关联的统计量作为表示所述数据的类似性(同时刻的第1数据组内的数据与第2数据组内的数据的类似性)的统计量。

如前所述，与速度相关联的数据通常精度比与位置相关联的数据高。因此，根据上述结构，使用“精度高的与速度相关联的数据”能够多方面地进行评价。其结果，能够更高精度地确定前车。

例如，所述确定部可以构成为，

基于所述第1数据组所包含的与所述其他车辆的速度相关联的数据的时序数据和所述第2数据组所包含的与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据，按时序取得如下值，并且取得所述按时序取得的值中的最大值作为所述2种以上的与速度相关联的统计量之一，所述值是，所述第1数据组所包含的所述时序数据与所述第2数据组所包含的所述多个其他车辆的各个其他车辆的所述时序数据的类似性越高，则所述值的绝对值越小的值。该统计量的代表例为，最大速度差(速度差的绝对值的最大值)及最大速度均方误差(速度的均方误差的最大值)等。

例如，存在使用本车的检测装置取得的其他车辆的速度和由车车间通信取得的“非前车的其他车辆”的速度取瞬间极度接近的值的情况。即，存在这些数据的类似度瞬间变高的情况。然而，当在某种程度的长度的期间内观察这些速度时，存在具有大的差的时刻。而使用本车的检测装置取得的其他车辆的速度和由车车间通信取得的“作为真正的前车的其他车辆”的速度一般具有相同的倾向而变化，因此，在某种程度的长度的期间内观察这些速度的情况下，大的背离的可能性小。由以上可知，根据上述结构，能够通过简单的方法取得有意的统计量以确定前车。

进而，基于上述事实，所述确定部可以构成为，

基于所述第1数据组所包含的与所述其他车辆的速度相关联的数据的时序数据和所述第2数据组所包含的与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据，按时序算出所述第1数据组所包含的所述时序数据和所述第2数据组所包含的所述多个其他车辆的各个其他车辆的所述时序数据之间的相关系数，并且取得所述按时序算出的相关系数的最小值(速度的相关系数最小值)作为所述2种以上的与速度相关联的统计量之一。据此，也能够通过简单的方法取得有意的统计量以确定前车。

在本发明的前车确定装置的方式中，所述确定部可以构成为，

算出基于对所述多个其他车辆的各个其他车辆取得的所述多个前车概率之积的值作为该多个其他车辆的各个其他车辆的最终前车概率，在所述最终前车概率比预定阈值小的情况下，判定为与该最终前车概率对应的其他车辆不是所述前车。

在本发明的前车确定装置的方式中，所述确定部可以构成为，

算出基于对所述多个其他车辆的各个其他车辆取得的所述多个前车概率之积的值作为该多个其他车辆的各个其他车辆的最终前车概率，在所述多个最终前车概率中仅有一个比预定阈值大时，确定为与比所述预定阈值大的最终前车概率对应的其他车辆为所述前车。由此，能够极容易地根据获得的数据取得用于综合地确定前车的参数(即，最终前车概率)，能够基于该最终前车概率高精度地确定前车。

在本发明的前车确定装置的方式中，所述确定部可以构成为，

根据所述其他车辆的各个其他车辆的所述时序数据所包含的同一种数据的数量来补正对于该多个其他车辆的各个其他车辆的所述多个前车概率之积，从而算出该多个其他车辆的各个其他车辆的所述最终前车概率。

时序数据的数量越多，则各前车概率的精度越高，因此最终前车概率的精度也越高。因此，根据上述结构，能够更提前地高精度地确定前车。

进而，也可以代替根据时序数据的数量来补正最终前车概率，而根据时序数据的数量来补正所述预定阈值。即，所述确定部可以构成为，根据对于所述多个其他车辆的各个其他车辆的所述时序数据所包含的同一种数据的数量来补正对于该多个其他车辆的各个其他车辆的所述预定阈值。

进而，所述确定部可以构成为，

基于所述第1数据组所包含的与所述其他车辆的速度相关联的数据的时序数据，算出在与该本车紧挨着的前方行驶的其他车辆的速度的预定时间内的变动量，根据所述算出的变动量来补正对于所述多个其他车辆的各个其他车辆的所述最终前车概率或所述预定阈值。

在与所述本车紧挨着的前方行驶的其他车辆的速度的预定时间内的变动量越大，则用于确定前车的有意的信息的量实质上越增大。因此，根据上述结构，能够更提前地高精度地确定前车。

进而，所述数据取得部可以构成为，

使用所述本车的检测装置取得在与该本车紧挨着的前方行驶的其他车辆的速度的每预定时间的变动量，所述变动量越大，则越增加所述第1数据组及所述第2数据组的取得频率。

在与所述本车紧挨着的前方行驶的其他车辆的速度的预定时间内的变动量越大，则用于确定前车的有意的信息的量实质上越增大。因此，该情况下进一步增大数据取得频率。由此，能够更加提前地取得有意的数据，因此能够更提前地高精度地确定前车。

本发明的其他的目的、其他的特征及附带的益处，根据参照以下的附图的同时对所记载的本发明的实施方式的说明能够容易地理解。

附图说明

图1是搭载有本发明的第1实施方式的前车确定装置的车辆及该前车确定装置的简要结构图。

图2是表示图1所示的车辆控制ECU的CPU(以下，称为“CPU”。)所执行的例程的流程图。

图3是用于对前车确定装置取得的数据进行说明的图。

图4是表示由本车传感器取得的前车的速度及其他车辆的速度的时间的变化的图。

图5是CPU所参照的查找表。

图6是将CPU所参照的查找表一般化后的表。

图7是CPU所参照的查找表。

图8是CPU所参照的查找表。

图9是CPU所参照的查找表。

图10是本发明的第2实施方式的前车确定装置所参照的查找表。

图11是表示本发明的第2实施方式的前车确定装置的CPU所执行的例程的一部分的流程图。

图12是表示本发明的第3实施方式的前车确定装置的CPU所执行的例程的一部分的流程图。

图13是用于对本发明的第4实施方式的前车确定装置的工作进行说明的图。

具体实施方式

以下，针对本发明的各实施方式的前车确定装置，一边参照附图一边进行说明。此外，在本说明书、附图及权利要求书等中，本车意味着“自身的车辆(所着眼的车辆)”，其他车辆意味着“本车以外的车辆”。进而，前车意味着“在与本车紧挨着的前方行驶的车辆、且是可以基于由车车间通信从该车辆取得的信息来变更本车的行驶控制的车辆”。换言之，前车是“本车所搭载的后述的传感器(本车传感器)正在捕捉的其他车辆”。

(第1实施方式)

如图1所示，本发明的实施方式的前车确定装置搭载于车辆(本车)10。本车10包含车辆控制ECU20、传感器ECU30、本车传感器31、GPS装置40、车速传感器50、无线控制ECU60、无线天线61、发动机控制ECU70、制动控制ECU80及转向控制ECU90。其他车辆11～13也具备同样的结构。此外，其他车辆的数量没有限制，其他车辆11～13作为存在于能够与本车10进行车车间通信的范围内的车辆的例子而进行图示。

车辆控制ECU20构成为能够经由通信、传感器系统CAN(Controller Area Network控制器区域网络)101与传感器ECU30、GPS装置40、车速传感器50及无线控制ECU60交换数据(能够进行通信)。进而，车辆控制ECU20构成为能够经由控制系统CAN102而与发动机控制ECU70、制动控制ECU80及转向控制ECU90交换数据。此外，ECU是电子控制单元的简称，是具有包含CPU、ROM、RAM及接口等的微型计算机作为主要构成部件的电子控制电路。

传感器ECU30与本车传感器31连接。在此，本车传感器31是周知的微波雷达传感器。本车传感器31向本车10的前方发送微波。该微波被前车反射。本车传感器31接收该反射波。传感器ECU30基于从本车传感器31发送来的微波和接收到的反射波的相位差、反射波的衰减等级及反射波的检测时间等，每经过预定的时间按时序取得前车的相对速度、与前车的车间距离、前车的相对方位等。

GPS装置40是周知的，基于从人工卫星发送来的GPS信号，取得本车10正在行驶的地点的纬度、经度。

车速传感器50检测本车10的速度。车速传感器50既可以是检测车轮的转速的传感器，也可以是检测传动轴的转速的传感器。

此外，传感器ECU30、本车传感器31、GPS装置40及车速传感器50构成搭载于本车10的检测装置。

无线控制ECU60与用于进行车车间通信的无线天线61连接。无线控制ECU60能够将表示本车10的运行状态量的多种数据和识别本车10的数据一并向其他车辆11～13发送。表示运行状态量的数据，例如包括由车速传感器50检测到的本车10的速度及由GPS装置40取得的本车10的位置等。进而，无线控制ECU60能够将从其他车辆11～13中的任意的车辆(为了方便，称为“确定车辆”。)发送来的表示确定车辆的运行状态量的多种数据和识别确定车辆的数据一并接收并且进行保持。

发动机控制ECU70是周知的，控制未图示的内燃机。发动机控制ECU70从检测各种内燃机运行状态量的传感器取得检测信号，并且驱动未图示的内燃机致动器(促动器)。

制动控制ECU80是周知的，控制未图示的制动装置。制动控制ECU80从检测各种车辆运行状态量的传感器取得检测信号，并且驱动未图示的制动致动器。

转向控制ECU90是周知的，控制未图示的转向装置。转向控制ECU90从检测各种车辆运行状态量的传感器取得检测信号，并且驱动未图示的转向致动器。

基于发动机控制ECU70、制动控制ECU80及转向控制ECU90等所取得的传感器信号的数据、以及各致动器的状态等中的几个作为表示本车10的运行状态量的数据而根据需要通过无线控制ECU60发送至外部。因此，本车10能够通过无线控制ECU60取得确定车辆的所述数据。

接下来，对本实施方式的前车确定装置的工作进行说明。车辆控制ECU20的CPU为了实现前车确定装置的功能，每经过预定时间(采样时间cyctime)，执行由图2的流程图表示的“前车判定例程”。因此，CPU在合适的定时从步骤200开始处理而进入步骤205，取得各种数据(ps(n)、ts_k(n)、pp(n)及tp_k(n))和确定通过车车间通信正在发送数据过来的其他车辆k的数据。这些数据如下所示(参照图3。)。

ps(n)：使用本车传感器31取得的前车速度

ts_k(n)：使用车车间通信取得的其他车辆k的速度

pp(n)：使用本车传感器31及GPS装置40取得的前车位置

tp_k(n)：使用车车间通信取得的其他车辆k的位置

在此，括号内的“n”表示是最新的数据。因此，括号内的数值为“n-1”、“n-2”、“n-3”这样越小，则表示是越旧的数据。例如，ps(n)意味着由本车传感器31等取得的最新的前车速度，ps(n-q)意味着从当前时刻向前“q·cyctime”时由本车传感器31等取得的前车速度。这些数据只要车车间通信从开始起持续进行，就被保存于存储器。添标“k”是确定存在于本车10的周边的(在能够与本车10进行车车间通信的范围内行驶的)其他车辆的识别符号。此外，在以下的说明中，“m”是各统计量的计算所使用的要素数。在关于一种数据总共获得L个数据的情况下，“m”为“L”以下。

此外，对这些取得的数据附加说明。

前车速度ps(n)通过在“由本车传感器31取得的前车的相对速度”上加上“由本车10的车速传感器50取得的本车速度”而取得。

其他车辆k的速度ts_k(n)是由其他车辆k所搭载的车速传感器取得的其他车辆k的速度，并且是通过车车间通信向本车10发送来的其他车辆k的速度。

前车位置pp(n)通过以本车10的GPS装置40所取得的本车10的位置为基准、考虑由本车传感器31取得的到前车的车间距离及相对方位等而取得。

其他车辆k的位置tp_k(n)是其他车辆k所搭载的GPS装置所取得的其他车辆k的位置，并且是通过车车间通信向本车10发送来的其他车辆k的位置。

因此，前车速度ps(n)及前车位置pp(n)是能够使用本车的检测装置(即，本车传感器31、GPS装置40及车速传感器50)取得的表示前车的运行状态量的数据。另外，其他车辆k的速度ts_k(n)及其他车辆k的位置tp_k(n)是能够使用车车间通信取得的表示其他车辆k的运行状态量的数据。

接下来，CPU进入步骤210，按照下述(1)式算出关于其他车辆k的最大速度差A1。

[数1]

最大速度差A1

A1＝max(|ps(n)-ts_k(n)|，prenum) …(1)

在此，prenum表示从与其他车辆k的车车间通信的开始时刻t0到刚到当前时刻tnow之前为止获得的最大速度差A1。即，最大速度差A1是前车速度ps(i)与其他车辆k的速度ts_k(i)之差的绝对值的从车车间通信开始时刻t0到当前时刻tnow为止的最大值。

通常，本车10存在追随前车行驶的倾向。因此，例如，在图3所示的行驶状况下，多数情况下本车10的速度与前车11的速度的类似性高。因此，在由本车传感器31取得的前车的速度如图4的线ps所示那样变化时，多数情况下作为本车10的前车的其他车辆11的速度如线ts₁₁所示那样变化。另一方面，多数情况下非前车的其他车辆12的速度如线ts₁₂所示那样以与由本车传感器31取得的前车的速度ps的类似性低的状态推移。但是，如现有装置那样，当着眼于当前时刻tnow的速度差的绝对值时，其他车辆12的速度ts₁₂比其他车辆11的速度ts₁₁接近前车的速度ps。因此，若仅使用当前时刻tnow的速度差的绝对值来判定本车10的前车，则有可能做出本车10的前车为12这样的误判定。

与此相对，关于其他车辆11的最大速度差A1(11)是在时刻t2获得的小的值，关于其他车辆12的最大速度差A1(12)是在时刻t1获得的大的值。从以上可知，最大速度差A1可以说是，作为“其他车辆k的速度”与“由本车10的检测装置算出的前车的速度”的类似性越高则越小的值而获得的统计量。

再次参照图2，CPU进入步骤215，基于关于其他车辆k的最大速度差A1取得前车概率α1(其他车辆k是前车的可能性)。更具体而言，CPU通过将最大速度差A1应用于图5所示的查找表(映射)Mapα1(A1)来取得前车概率α1。

如前所述，最大速度差A1是“其他车辆k的速度”与“由本车10的检测装置算出的前车的速度”的类似性越高则越小的统计量。因此，根据表Mapα1(A1)，在最大速度差A1为第1阈值A1th1以下时，前车概率α1成为100％。换言之，最大速度差A1为第1阈值A1th1以下的条件，是在大部分的交通环境下仅前车能够满足的条件。

进而，根据表Mapα1(A1)，最大速度差A1为“比第1阈值A1th1大且为第2阈值A1th2以下”时，前车概率α1成为随着最大速度差A1变大而从100％向90％逐渐降低的值。第2阈值A1th2比第1阈值A1th1大。换言之，最大速度差A1比第1阈值A1th1大且为第2阈值A1th2以下的条件，是考虑了数据的平均误差(例如，因车车间通信的延迟及本车传感器31的个体差等所引起的误差的平均值)时，前车能够满足的条件。因此，非前车的其他车辆，也具有某概率(相对低的概率)而能够满足该条件。

除此之外，根据表Mapα1(A1)，在最大速度差A1为“比第2阈值A1th2大且为第3阈值A1th3以下”时，前车概率α1成为随着最大速度差A1变大而从90％向80％逐渐降低的值。第3阈值A1th3比第2阈值A1th2大。换言之，最大速度差A1比第2阈值A1th2大且为第3阈值A1th3以下的条件，是考虑了数据的最大误差(例如，因车车间通信的延迟及本车传感器31的个体差等所引起的误差的最大值)时，前车能够满足的条件。因此，非前车的其他车辆，也具有相对高的概率而能够满足该条件。

进而，根据表Mapα1(A1)，在最大速度差A1比第3阈值A1th3大时，前车概率α1成为随着最大速度差A1变大而从80％急剧降低的值。换言之，最大速度差A1比第3阈值A1th3大这一条件，是前车极少会满足的条件。

如此，CPU取得表示使用本车的检测装置取得的表示前车的运行状态量的多个时序数据(例如，ps(n)、ps(n-1)、ps(n-2)…)和使用车车间通信取得的表示其他车辆k的运行状态量的多个时序数据(例如，ts_k(n)、ts_k(n-1)、ts_k(n-2)…)之间的类似性的统计量Ax(根据类似性而变化的统计量，例如，最大速度差A1)。

进而，CPU将该统计量Ax应用于例如图6中一般化表示的前车概率变换表Mapαx(Ax)，关于该统计量Ax算出其他车辆k是前车的概率(前车概率)αx。前车概率变换表Mapαx(Ax)与图5所示的表同样，将统计量Ax分类成以下所述的4个区域，根据各个区域来确定前车概率αx。此外，关于该概率αx的算出的想法如以下所述，关于其他统计量也同样适用。

区域1(Axth0～Axth1)：为在大部分的交通环境下仅前车的统计量Ax能够满足的区域。在统计量Ax处于区域1内的情况下，前车概率αx决定为100％。

区域2(Axth1～Axth2)：为在考虑了数据的平均误差(例如，因车车间通信的延迟及本车的检测装置的个体差等所引起的误差的平均值)时，前车的统计量Ax能够满足的区域。在统计量Ax处于区域2内的情况下，前车概率αx决定为第1概率～100％内的预定值。第1概率例如为90％。

区域3(Axth2～Axth3)：为考虑了数据的最大误差(例如，因车车间通信的延迟及本车的检测装置的个体差等所引起的误差的最大值)时，前车的统计量Ax能够满足的区域。在统计量Ax处于区域3内的情况下，前车概率αx决定为“比第1概率小的第2概率”～“第1概率”内的预定值。第2概率例如为80％。

区域4(Axth3～)：为前车的统计量Ax极少满足的区域。因此，在统计量Ax处于区域4内的情况下，前车概率αx决定为比第2概率还小的概率。而且，随着统计量Ax远离区域3与区域4的边界值(Axth3)，前车概率αx急剧变小。

接下来，CPU进入图2的步骤220，按照下述(2)式算出关于其他车辆k的最大速度均方误差A2。

[数2]

最大速度均方误差A2

$A2=\max (\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(\mathrm{ps}\left(i\right)-{\mathrm{ts}}_k\left(i\right))}^2/m},\mathrm{prenum})...\left(2\right)$

在此，prenum表示从与其他车辆k的车车间通信的开始时刻t0到刚到当前时刻tnow之前为止获得的最大速度均方误差A2。即，最大速度均方误差A2是最近的m个前车速度ps(i)与最近的m个其他车辆k的速度ts_k(i)的均方误差的从车车间通信开始时刻t0到当前时刻tnow为止的最大值。

最大速度均方误差A2即使在最大速度差A1没有相对显著变大的情况下，在速度差持续产生时，也会成为大的值。因此，最大速度均方误差A2可以说是，作为“其他车辆k的速度”与“由本车10的检测装置算出的前车的速度”的类似性越高则越小的值而获得的统计量。

接下来，CPU进入步骤225，基于关于其他车辆k的最大速度均方误差A2取得前车概率α2。更具体而言，CPU通过将最大速度均方误差A2应用于图7所示的表Mapα2(A2)来取得前车概率α2。此外，在图7中，从“0”到阈值A2th1的范围相当于上述区域1，从阈值A2th1到阈值A2th2的范围相当于上述区域2，从阈值A2th2到阈值A2th3的范围相当于上述区域3，大于阈值A2th3的范围相当于上述区域4。

接下来，CPU进入图2的步骤230，按照下述(3)式算出关于其他车辆k的最大加速度变动量差A3。

[数3]

最大加速变动量差A3

$A3=\max \left(\right|\stackrel{m}{\underset{i=1}{\mathrm{\Σ}}}((\mathrm{ps}(i+1)-\mathrm{ps}\left(i\right))-({\mathrm{ts}}_k(i+1)-{\mathrm{ts}}_k\left(i\right)))/m|,\mathrm{prenum})...\left(3\right)$

在此，ps(i+1)-ps(i)是相当于使用本车传感器31取得的前车的速度的每单位时间的变化量的值(即，加速度)。ts_k(i+1)-ts_k(i)是相当于使用车车间通信取得的其他车辆k的速度的每单位时间的变化量的值(即，加速度)。Prenum表示从与其他车辆k的车车间通信的开始时刻t0到刚到当前时刻tnow之前为止获得的最大加速度变动量差A3。因此，最大加速度变动量差A3是“根据前车速度ps(i)算出的前车的加速度”与“根据其他车辆k的速度ts_k(i)算出的其他车辆k的加速度”之差的平均值的绝对值的最大值，是从车车间通信开始时刻t0到当前时刻tnow为止的最大值。该最大加速度变动量差A3可以说是，作为“其他车辆k的速度”与“由本车10的检测装置算出的前车的速度”的类似性越高则越小的值而获得的统计量。

接下来，CPU进入步骤235，基于关于其他车辆k的最大加速度变动量差A3来取得前车概率α3。更具体而言，CPU通过将最大加速度变动量差A3应用于与图6所示的表具有同样的倾向的表Mapα3(A3)(省略图示)来取得前车概率α3。

接下来，CPU进入步骤240，按照下述(4)式算出关于其他车辆k的速度的相关系数最小值A4。

[数4]

速度的相关系数最小值A4

在此，prenum表示从与其他车辆k的车车间通信的开始时刻t0到刚到当前时刻tnow之前为止获得的“速度的相关系数最小值A4”。因此，速度的相关系数最小值A4是最近的m个前车速度ps(i)与最近的m个其他车辆k的速度ts_k(i)的相关系数coef的“从车车间通信开始时刻t0到当前时刻tnow为止的最小值”。此外，在(4)式及其他式子中，ave(x)意味着参数x的平均值。

众所周知，相关系数coef(correlation coefficient)是表示2个参数之间的相关(类似性的程度)的统计量。原则上，相关系数是从-1到1之间的实数，相关系数越接近1则2个参数越具有正的相关，2个参数的类似度越高。随着相关系数接近0，2个参数的相关变弱。相关系数越接近-1，则2个参数越具有负的相关。因此，在本例中，速度的相关系数最小值A4越接近1，则前车速度ps(i)与其他车辆k的速度ts_k(i)的类似性越高。

接下来，CPU进入步骤245，基于关于其他车辆k的速度的相关系数最小值A4来取得前车概率α4。更具体而言，CPU通过将速度的相关系数最小值A4应用于图8所示的表Mapα4(A4)来取得前车概率α4。此外，在图8中，从“1”到“比1小的阈值A4th1”为止的范围相当于上述区域1，从阈值A4th1到比阈值A4th1小的阈值A4th2的范围相当于上述区域2，从阈值A4th2到比阈值A4th2小的阈值A4th3的范围相当于上述区域3，小于阈值A4th3的范围相当于上述区域4。

接下来，CPU进入步骤250，按照下述(5)式算出关于其他车辆k的速度的相关系数平均值A5。

[数5]

速度的相关系数平均值A5

A5＝ave(coef(ps(m)，ts_t(m)) …(5)

即，速度的相关系数平均值A5是，最近的m个前车速度ps(i)与最近的m个其他车辆k的速度ts_k(i)的相关系数的“从车车间通信开始时刻t0到当前时刻tnow为止的平均值”。因此，在本例中，速度的相关系数平均值A5越接近1，则前车速度ps(i)与其他车辆k的速度ts_k(i)的类似性越高。

接下来，CPU进入步骤255，基于关于其他车辆k的速度的相关系数平均值A5来取得前车概率α5。更具体而言，CPU通过将速度的相关系数平均值A5应用于图9所示的表Mapα5(A5)来取得前车概率α5。此外，在图9中，从“1”到“比1小的阈值A5th1”为止的范围相当于上述区域1，从阈值A5th1到比阈值A5th1小的阈值A5th2的范围相当于上述区域2，从阈值A5th2到比阈值A5th2小的阈值A5th3的范围相当于上述区域3，小于阈值A5th3的范围相当于上述区域4。

接下来，CPU进入步骤260，按照下述(6)式算出关于其他车辆k的最大距离位移误差A6。在该(6)式中，(ps(i)-ts_k(i))·cyctime表示采样时间cyctime期间的“由本车传感器31取得的前车与其他车辆k的距离的变化量”。

[数6]

最大距离位移误差A6

$A6=\max \left(\right|\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left((\mathrm{ps}\left(i\right)-{\mathrm{ts}}_k\left(i\right))\left(\mathrm{cycyime}\right)\right|,\mathrm{prenum})...\left(6\right)$

进而，prenum表示从与其他车辆k的车车间通信的开始时刻t0到刚到当前时刻tnow之前为止获得的最大距离位移误差A6。即，最大距离位移误差A6是，距离位移误差(由本车传感器31取得的前车与其他车辆k的距离的变化量的累计值)的、获得m个数据的时间内的最大值。因此，最大距离位移误差A6可以说是，作为“其他车辆k的速度”与“由本车10的检测装置算出的前车的速度”的类似性越高则越小的值而获得的统计量。

接下来，CPU进入步骤265，基于关于其他车辆k的最大距离位移误差A6来取得前车概率α6。更具体而言，CPU通过将最大距离位移误差A6应用于与图6所示的表具有同样的倾向的表Mapα6(A6)(省略图示)来取得前车概率α6。

接下来，CPU进入步骤270，按照下述(7)式算出关于其他车辆k的最大相对位置均方误差A7。

[数7]

最大相对位置均方误差A7

$A7=\max (\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(\mathrm{pp}\left(i\right)-{\mathrm{tp}}_k\left(i\right))}^2/m},\mathrm{prenum})...\left(7\right)$

在此，prenum表示从与其他车辆k的车车间通信的开始时刻t0到刚到当前时刻tnow之前为止获得的最大相对位置均方误差A7。即，最大相对位置均方误差A7是最近的m个前车位置pp(i)与最近的m个其他车辆k的位置tp_k(i)的均方误差的从车车间通信开始时刻t0到当前时刻tnow为止的最大值。

最大相对位置均方误差A7在前车位置pp(i)与其他车辆k的位置tp_k(i)之差持续产生的情况下成为大的值。因此，最大相对位置均方误差A7可以说是，作为“其他车辆k的位置”与“由本车传感器31正在捕捉的前车的位置”的类似性越高则越小的值而获得的统计量。

接下来，CPU进入步骤275，基于关于其他车辆k的最大相对位置均方误差A7来取得前车概率α7。更具体而言，CPU通过将最大相对位置均方误差A7应用于与图6所示的表具有同样的倾向的表Mapα7(A7)(省略图示)来取得前车概率α7。

接下来，CPU进入步骤280，按照下述(8)式算出最终前车概率αk。即，最终前车概率αk为前车概率α1～α7之积，为其他车辆k是前车的可能性越高则越大的(越接近“1”的)值。

[数8]

最终前车概率αk

αk＝α1·α2·α3·α4·α5·α6·α7 …(8)

接下来，CPU进入步骤285，关于在当前时刻与本车10进行车车间通信的全部其他车辆，判定是否算出了最终前车概率αk。在不满足该判定条件的情况下，CPU返回步骤210，算出关于另外的其他车辆的最终前车概率。此外，CPU也可以针对在当前时刻与本车10进行车车间通信的全部其他车辆同时同步地算出各其他车辆的每个统计量的前车概率及最终前车概率。

与此相对，在针对在当前时刻与本车10进行车车间通信的全部其他车辆算出了最终前车概率αk的情况下，CPU在步骤285中判定为“是”而进入步骤290，判定具有预定的阈值(最终判定阈值)αth以上的最终前车概率αk的其他车辆是否只存在1个。

在存在多个具有阈值αth以上的最终前车概率αk的其他车辆的情况下、以及不存在具有阈值αth以上的最终前车概率αk的其他车辆的情况下，CPU在步骤290中判定为“否”而进入步骤292，判定为不存在前车(正在进行车车间通信的前车)。之后，CPU进入步骤295，暂时结束本例程。

与此相对，在只存在1个具有阈值αth以上的最终前车概率αk的其他车辆的情况下，CPU在步骤290中判定为“是”而进入步骤294，将与该阈值αth以上的最终前车概率αk对应的其他车辆k判定为前车(正在进行车车间通信的前车)。之后，CPU进入步骤295，暂时结束本例程。

此外，CPU也可以在执行了步骤280的处理之后，“判定最终前车概率αk是否为预定阈值αth以上”，在最终前车概率αk低于预定阈值αth的情况下，将与该最终前车概率αk对应的其他车辆k判定为非前车。

以上，如所说明那样，本发明的第1实施方式的前车确定装置具备数据取得部和确定部。

数据取得部，

使用本车10的检测装置(本车传感器31、GPS装置40及车速传感器50等)取得第1数据组，并且，使用所述本车10与所述多个其他车辆的各个其他车辆的车车间通信取得第2数据组和确定正在发送该第2数据组的其他车辆的数据(参照图2的步骤205。)，所述第1数据组包含表示在与本车10紧挨着的前方行驶的其他车辆的运行状态量的多个数据(ps(n)、pp(n))，所述第2数据组包含表示所述多个其他车辆的各个其他车辆的运行状态量的多个数据(ts_k(n)、tp_k(n))。

确定部，

取得多种统计量(A1～A7)(参照图2的步骤210、220、230、240、250、260及270。)，基于所述取得的多种统计量(A1～A7)的各种统计量和“对所述多种统计量的各种统计量预先设定的预定的关系(表Mapαh(Ah)：h为1～7的整数)”，取得相对于所述取得的多种统计量的各种统计量的前车概率(α1～α7)(参照图2的步骤215、225、235、245、255、265及275。)，基于所述取得的多个前车概率算出所述多个其他车辆的各个其他车辆的最终前车概率(参照图2的步骤280、285。)，基于所述最终前车概率确定所述前车(参照图2的步骤290、292、294。)，所述统计量表示所述第1数据组与所述多个其他车辆的各个其他车辆的所述第2数据组之间的数据的类似性。

因此，根据各统计量高精度地求出前车概率，基于该前车概率求出其他车辆k的最终前车概率αk。进而，基于该最终前车概率αk确定前车。因此，本发明的第1实施方式的前车确定装置能够高精度且提前地确定前车。

进而，所述确定部构成为，

基于所述第1数据组所包含的与所述其他车辆的速度相关联的数据的时序数据(例如，ps(n)、ps(n-1)、ps(n-2)…)和所述第2数据组所包含的与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据(例如，ts_k(n)、ts_k(n-1)、ts_k(n-2)…)，取得2种以上的与速度相关联的统计量(例如，最大速度差A1、最大速度均方误差A2、最大加速度变动量差A3、速度的相关系数最小值A4及速度的相关系数平均值A5等，进而，最大距离位移误差A6)作为表示所述数据的同一时刻的(同时序)的数据彼此的类似性的统计量(参照图2。)。

“由本车传感器及车速传感器等获得的与速度相关联的数据”通常比“由GPS装置获得的与位置相关联的数据”精度高。因此，第1实施方式能够使用“精度高的与速度相关联的数据”来多方面进行各其他车辆是否是前车的评价。其结果，能够更高精度地确定前车。此外，第1实施方式的前车确定装置，在无法取得由“本车10的GPS装置”和/或“其他车辆的GPS装置及车车间通信”获得的与位置有关的数据(pp(n)、tp_k(n))的情况下，可以将与之对应的全部数据设定为一定值，或者将基于它们获得的预定的前车概率设定为“1”。

(第2实施方式)

接下来，对本发明的第2实施方式的前车确定装置(以下，称为“第2装置”。)进行说明。通过考虑以下2点，第2装置在进一步缩短到前车确定为止的时间这一点与第1实施方式的前车确定装置不同。

1.数据的取得期间越长(换言之，同种数据的时序数据的数量越多)，则能够取得可靠度越高的统计量。

2.有时，运行状态量(尤其是速度)的变动的情况与速度不发生变动的情况相比，能够取得可靠性更高的统计量(尤其是，涉及相关系数的统计量)。

因此，第2装置通过将车车间通信时间(因此，同种数据的时序数据数)和使用本车传感器31取得的前车速度的每单位时间的变化量Δtks应用于图10所示的查找表Mapβ来取得补正系数β，利用该补正系数β来补正最终前车概率αk，由此算出进行前车的确定时所使用的最终前车概率αk。

根据该表Mapβ，补正系数β被决定为，车车间通信时间越长，以及使用本车传感器31取得的前车速度的每单位(预定)时间的变化量越大，则在比0大且为1以下的范围内变越大。

更具体而言，第2装置的CPU在图2的步骤280与步骤285之间执行图11所示的步骤1110及步骤1120的处理。即，CPU在由步骤280算出最终前车概率αk时进入步骤1110，通过将车车间通信时间及变化量Δtks应用于前述的表Mapβ来算出补正系数β。

接下来，CPU进入步骤1120，通过在由步骤280求出的最终前车概率αk上乘以补正系数β相乘而算出补正后的最终前车概率αk。之后，CPU进入步骤285以后，使用该补正后的最终前车概率αk来确定前车。其结果，第2装置能够更提前地高精度地确定前车。

此外，第2装置也可以仅基于车车间通信时间(因此，同种数据的时序数据数)来决定补正系数β。该情况下，补正系数β也被算出为，车车间通信时间越长则补正系数β越大。进而，第2装置也可以仅基于变化量Δtks来决定补正系数β。该情况下，补正系数β也被算出为，变化量Δtks越大则补正系数β越大。

进而，补正系数β在预定阈值αth被设定为相对低的值的情况下，也可以在被决定为，车车间通信时间越长、和/或变化量Δtks越大，则该补正系数β越小。由此，能够使最终前车概率αk超过预定阈值αth的其他车辆的台数迅速地成为只有1台。此外，变化量Δtks也可以被置换为，从车车间通信开始的时刻t0到当前时刻tnow为止的变化量Δtks的绝对值的最大值。

(第3实施方式)

接下来，对本发明的第3实施方式的前车确定装置(以下，称为“第3装置”)进行说明。第3装置仅在代替利用补正系数β补正最终前车概率αk而利用补正系数γ补正预定阈值αth这一点与第2装置不同。该补正系数γ被决定为，车车间通信时间越长、和/或变化量Δtks越大，则该补正系数γ越小。其中，补正系数γ在预定阈值αth被设定为相对低的值的情况下，也可以被决定为，车车间通信时间越长、和/或变化量Δtks越大，则该补正系数γ越大。另外，变化量Δtks也可以被置换为从车车间通信开始的时刻t0到当前时刻tnow为止的变化量Δtks的绝对值的最大值。

更具体而言，第3装置的CPU在图2的步骤285与步骤290之间执行图12所示的步骤1210及步骤1220的处理。即，CPU在图2的步骤285中判定为“是”时进入图12的步骤1210，将补正系数γ算出为，车车间通信时间越长、和/或变化量Δtks越大，则该补正系数γ越小。

接下来，CPU进入步骤1220，通过在预定的阈值αth上乘以补正系数γ来算出补正后的阈值αth。之后，CPU进入步骤290以后，使用该补正后的阈值αth来确定前车。结构，第2装置能够更提前地高精度地确定前车。

(第4实施方式)

接下来，对本发明的第4实施方式的前车确定装置(以下，称为“第4装置”)进行说明。第4装置的数据取得部构成为，取得使用本车传感器31取得的其他车辆的速度的每预定时间的变动量，所述变动量越大，则越增加所述第1数据组(ps(n)、pp(n))及所述第2数据组(ts_k(n)、tp_k(n))的取得频率。

更具体而言，如图13所例示，在使用本车传感器31取得的其他车辆的速度v(参照线C)变化的情况下，在每预定时间的速度v的变动量Δv比阈值Δvth小的期间(时刻t1以前、时刻t2～时刻t3、以及时刻t4以后)，将各种数据(ps(n)、ts_k(n)、pp(n)及tp_k(n))的采样时间Ts设定为比较长的Ts1。而在速度v的变动量Δv比阈值Δvth大的期间(时刻t1～时刻t2、以及时刻t3～时刻t4)，各种数据(ps(n)、ts_k(n)、pp(n)及tp_k(n))的采样时间Ts被设定为比“Ts1短的Ts2”。即，在速度v的变动量Δv大的期间，使各种数据的取得频率比除此以外的期间增大。由此，能够更加提前地获得有意的数据，因此，能够更提前地高精度地确定前车。

以上，如所说明的那样，根据本发明的各实施方式的前车确定装置，能够提前且高精度地确定在与本车10紧挨着的前方行驶、且正在与本车10进行车车间通信的车辆(通信前车)。

本发明并不限定于上述实施方式，在本发明的范围内能够采用各种变形例。例如，本车传感器31是微波雷达传感器，但也可以是前方监视相机(特别是立体相机)。

第4装置在使用本车传感器31取得的其他车辆的速度的每预定时间的变动量大时增大数据取得频率，但也可以根据前方的交通状况(例如，前方是否发生交通堵塞、前方的信号是否变化为红灯等)来预测前车的速度的变动量变大的情况，在这样的情况下增大数据取得频率。

进而，最终前车概率αk是前车概率α1～α7之积，但也可以作为前车概率之和求出。进而，统计量是统计量A1～A7，但也可以仅采用其中的几个(其中，多种统计量)。

除此之外，搭载有该前车确定装置的车辆也可以在确定了前车之后，基于从该前车经由车车间通信发送来的前车的运行状态量(例如，制动踏板的踩踏量、加速操作量AP及转向角等)，变更本车10的运行状态量。

Claims (12)

1.一种前车确定装置，其从在本车的附近行驶的多个其他车辆中确定在与该本车紧挨着的前方行驶的前车，所述前车确定装置具备：

数据取得部，其使用本车的检测装置取得第1数据组，并且，使用所述本车与所述多个其他车辆的各个其他车辆的车车间通信取得第2数据组和确定正在发送该第2数据组的其他车辆的数据，所述第1数据组包含表示在与该本车紧挨着的前方行驶的其他车辆的运行状态量的多个数据，所述第2数据组包含表示所述多个其他车辆的各个其他车辆的运行状态量的多个数据；

其特征在于，还具备：

确定部，其取得多种统计量，基于所述取得的多种统计量的各种统计量和对所述多种统计量的各种统计量预先设定的预定的关系，取得相对于所述取得的多种统计量的各种统计量的前车概率，基于所述取得的多个前车概率算出所述多个其他车辆的各个其他车辆的最终前车概率，基于所述最终前车概率确定所述前车，所述统计量表示所述第1数据组与所述多个其他车辆的各个其他车辆的所述第2数据组之间的数据的类似性。

2.根据权利要求1所述的前车确定装置，其特征在于，

所述第1数据组所包含的所述多个数据，包含与在与所述本车紧挨着的前方行驶的其他车辆的速度相关联的数据的时序数据，所述第2数据组所包含的所述多个数据，包含与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据。

3.根据权利要求2所述的前车确定装置，其特征在于，

所述确定部构成为，

基于所述第1数据组所包含的与所述其他车辆的速度相关联的数据的时序数据和所述第2数据组所包含的与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据，取得2种以上的与速度相关联的统计量作为表示所述数据的类似性的统计量。

4.根据权利要求3所述的前车确定装置，其特征在于，

所述确定部构成为，

基于所述第1数据组所包含的与所述其他车辆的速度相关联的数据的时序数据和所述第2数据组所包含的与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据，按时序取得如下值，即所述第1数据组所包含的所述时序数据与所述第2数据组所包含的所述多个其他车辆的各个其他车辆的所述时序数据的类似性越高，则该值的绝对值越小的值，并且取得所述按时序取得的值中的最大值作为所述2种以上的与速度相关联的统计量之一。

5.根据权利要求3或4所述的前车确定装置，其特征在于，

所述确定部构成为，

基于所述第1数据组所包含的与所述其他车辆的速度相关联的数据的时序数据和所述第2数据组所包含的与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据，按时序算出所述第1数据组所包含的所述时序数据和所述第2数据组所包含的所述多个其他车辆的各个其他车辆的所述时序数据之间的相关系数，并且取得所述按时序算出的相关系数的最小值作为所述2种以上的与速度相关联的统计量之一。

6.根据权利要求1所述的前车确定装置，其特征在于，

所述确定部构成为，

算出基于对所述多个其他车辆的各个其他车辆取得的所述多个前车概率之积的值作为该多个其他车辆的各个其他车辆的最终前车概率，在所述最终前车概率比预定阈值小的情况下，判定为与该最终前车概率对应的其他车辆不是所述前车。

7.根据权利要求1所述的前车确定装置，其特征在于，

所述确定部构成为，

算出基于对所述多个其他车辆的各个其他车辆取得的所述多个前车概率之积的值作为该多个其他车辆的各个其他车辆的最终前车概率，在所述多个最终前车概率中仅有一个比预定阈值大时，确定为与比所述预定阈值大的最终前车概率对应的其他车辆为所述前车。

8.根据权利要求6或7所述的前车确定装置，其特征在于，

所述确定部构成为，

根据所述第2数据组所包含的与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据所包含的同一种数据的数量来补正对于该多个其他车辆的各个其他车辆的所述多个前车概率之积，从而算出该多个其他车辆的各个其他车辆的所述最终前车概率。

9.根据权利要求6或7所述的前车确定装置，其特征在于，

所述确定部构成为，

根据所述第2数据组所包含的与所述多个其他车辆的各个其他车辆的速度相关联的数据的时序数据所包含的同一种数据的数量来补正对于该多个其他车辆的各个其他车辆的所述预定阈值。

10.根据权利要求6或7所述的前车确定装置，其特征在于，

所述确定部构成为，

基于所述第1数据组所包含的与所述其他车辆的速度相关联的数据的时序数据，算出在与该本车紧挨着的前方行驶的其他车辆的速度的预定时间内的变动量，根据所述算出的变动量来补正对于所述多个其他车辆的各个其他车辆的所述多个前车概率之积，从而算出该多个其他车辆的各个其他车辆的所述最终前车概率。

11.根据权利要求6或7所述的前车确定装置，其特征在于，

所述确定部构成为，

基于所述第1数据组所包含的与所述其他车辆的速度相关联的数据的时序数据，算出在与该本车紧挨着的前方行驶的其他车辆的速度的预定时间内的变动量，根据所述算出的变动量来补正对于所述多个其他车辆的各个其他车辆的所述预定阈值。

12.根据权利要求1～4、6以及7中任一项所述的前车确定装置，其特征在于，

所述数据取得部构成为，

使用所述本车的检测装置取得在与该本车紧挨着的前方行驶的其他车辆的速度的每预定时间的变动量，所述变动量越大，则越增加所述第1数据组及所述第2数据组的取得频率。