换道模型：MOBIL模型与LC2013模型

换道模型，说白了就是回答一个问题：“我什么时候该变道？”

做交通仿真这些年，我见过太多人把换道模型想得太简单。有人觉得“看后视镜没车就变呗”，结果仿真出来的车流跟现实差了十万八千里。也有人把模型搞得太复杂，参数调了三个月，最后发现还不如用个简单的。

今天咱们就聊两个经典模型：MOBIL 和 LC2013。这两个模型，一个轻巧实用，一个考虑周全。我个人习惯是：做宏观分析用MOBIL，做微观行为研究用LC2013。

核心要点：换道模型本质上是一个“收益-风险”决策问题。MOBIL侧重收益计算，LC2013侧重风险感知。

1. MOBIL模型原理

MOBIL全称是 Minimizing Overall Braking Induced by Lane changes。名字挺长，意思很简单：变道时，别让后面的车踩急刹车。

我记得第一次在项目里用MOBIL，是在一个高速公路合流区的仿真中。当时我调了三天参数，发现MOBIL对“激进型”和“保守型”驾驶员的区分特别清晰——只要调一个阈值就行。

1.1 决策逻辑

MOBIL的决策分两步：

安全条件：变道后，目标车道后车的减速度不能超过某个阈值
收益条件：变道后，自己和新旧车道后车的总加速度提升要大于某个阈值

用公式表达就是：

# 安全条件
a_target_follower > -b_safe

# 收益条件
a_ego_new + p * (a_old_follower_new + a_new_follower_new) > 
a_ego_old + p * (a_old_follower_old + a_new_follower_old) + a_threshold

这里：

a_target_follower：目标车道后车的减速度
b_safe：最大允许减速度（通常取 2~4 m/s²）
p：利他系数（0~1），越大越考虑别人
a_threshold：换道激励阈值，越大越不容易变道

我的经验：p值取0.3~0.5比较符合真实驾驶行为。p=0就是完全自私，p=1就是圣人开车。我在城市道路仿真中常用p=0.4，高速上用p=0.3。

1.2 Python实现

class MOBIL:
    def __init__(self, b_safe=3.0, p=0.4, a_threshold=0.2):
        self.b_safe = b_safe
        self.p = p
        self.a_threshold = a_threshold
    
    def should_change_lane(self, ego, old_follower, new_follower, new_leader):
        """
        判断是否应该换道
        ego: 当前车辆
        old_follower: 原车道后车
        new_follower: 目标车道后车
        new_leader: 目标车道前车
        """
        # 计算目标车道后车的减速度
        a_new_follower = self.calc_deceleration(new_follower, ego, new_leader)
        
        # 安全条件检查
        if a_new_follower < -self.b_safe:
            return False
        
        # 计算收益
        a_ego_new = self.calc_acceleration(ego, new_leader, new_follower)
        a_ego_old = self.calc_acceleration(ego, old_follower, None)
        
        a_old_follower_new = self.calc_acceleration(old_follower, None, ego)
        a_old_follower_old = self.calc_acceleration(old_follower, None, None)
        
        a_new_follower_new = self.calc_acceleration(new_follower, ego, new_leader)
        a_new_follower_old = self.calc_acceleration(new_follower, None, None)
        
        # 收益条件
        benefit_new = a_ego_new + self.p * (a_old_follower_new + a_new_follower_new)
        benefit_old = a_ego_old + self.p * (a_old_follower_old + a_new_follower_old)
        
        return (benefit_new - benefit_old) > self.a_threshold
    
    def calc_acceleration(self, vehicle, leader, follower):
        """使用IDM模型计算加速度"""
        # 这里调用IDM模型
        pass

注意：MOBIL模型假设所有车辆都能“感知”到周围车辆的状态。在仿真中，这意味着你需要为每辆车维护一个感知范围。我曾经因为忘记设置感知范围，结果仿真里的车都像开了上帝视角一样随意变道。

2. LC2013模型原理

LC2013模型是MOBIL的升级版。它由Kesting等人于2013年提出，主要改进是：把“风险感知”量化了。

你想想看，现实中司机变道时，不光看“能不能变”，还会看“变过去安不安全”。LC2013就把这种“安全感”用数学表达了出来。

2.1 核心改进

LC2013相比MOBIL，多了两个关键因素：

碰撞时间（TTC）：变道后，与目标车道前后车的碰撞时间
风险权重：不同距离下的风险感知差异

公式上，LC2013把安全条件改成了：

# LC2013安全条件
TTC_ego_new > TTC_min  AND  TTC_new_follower > TTC_min

# 其中TTC计算
TTC = (distance) / (relative_velocity + epsilon)

收益条件也做了调整，加入了风险惩罚项：

# LC2013收益条件
benefit = a_ego_new - a_ego_old 
         + p * (a_old_follower_new - a_old_follower_old)
         + p * (a_new_follower_new - a_new_follower_old)
         - risk_penalty

# 风险惩罚
risk_penalty = w1 * exp(-TTC_ego_new / tau1) 
             + w2 * exp(-TTC_new_follower / tau2)

关键区别：MOBIL只考虑“能不能刹住”，LC2013还考虑“多久会撞上”。TTC越小，风险惩罚越大，变道意愿越低。

2.2 Python实现

class LC2013:
    def __init__(self, TTC_min=2.0, p=0.4, a_threshold=0.2,
                 w1=1.0, w2=0.5, tau1=1.0, tau2=2.0):
        self.TTC_min = TTC_min
        self.p = p
        self.a_threshold = a_threshold
        self.w1 = w1
        self.w2 = w2
        self.tau1 = tau1
        self.tau2 = tau2
    
    def calc_TTC(self, ego, other):
        """计算碰撞时间"""
        distance = other.position - ego.position - ego.length
        rel_vel = ego.velocity - other.velocity
        if rel_vel <= 0:
            return float('inf')
        return distance / (rel_vel + 1e-6)
    
    def should_change_lane(self, ego, old_follower, new_follower, new_leader):
        # 计算TTC
        TTC_ego_new = self.calc_TTC(ego, new_leader)
        TTC_new_follower = self.calc_TTC(new_follower, ego)
        
        # 安全条件
        if TTC_ego_new < self.TTC_min or TTC_new_follower < self.TTC_min:
            return False
        
        # 计算收益（同MOBIL）
        a_ego_new = self.calc_acceleration(ego, new_leader, new_follower)
        a_ego_old = self.calc_acceleration(ego, old_follower, None)
        # ... 其他加速度计算 ...
        
        # 风险惩罚
        risk_penalty = (self.w1 * np.exp(-TTC_ego_new / self.tau1) +
                       self.w2 * np.exp(-TTC_new_follower / self.tau2))
        
        benefit = (a_ego_new - a_ego_old) - risk_penalty
        
        return benefit > self.a_threshold

调参建议：LC2013的参数比MOBIL多，建议先用MOBIL跑通，再逐步加入TTC惩罚。我一般先固定TTC_min=2.0，然后调w1和w2。w1控制对前车的恐惧，w2控制对后车的恐惧——你想想看，大多数人变道时更怕后车追尾还是更怕追前车？

3. 两个模型的对比

特性	MOBIL	LC2013
决策依据	加速度变化	加速度 + 碰撞时间
安全条件	减速度阈值	TTC阈值
参数数量	3个	7个
计算复杂度	低	中
适用场景	宏观交通流	微观行为研究
真实度	中等	较高

4. 核心逻辑流程图

下面我用SVG画了一张图，展示两个模型的决策流程对比：

5. 实际应用建议

嗯，这里要注意一点：模型选型要看你的仿真目标。

做宏观交通流分析（比如路网容量评估）：用MOBIL就够了。参数少，跑得快，结果稳定。
做微观驾驶行为研究（比如自动驾驶决策）：用LC2013。虽然参数多，但能模拟出更真实的“犹豫”和“冒险”行为。
做混合交通流仿真（比如人车混行）：我建议用LC2013，因为行人和非机动车的TTC感知和机动车完全不同。

避坑指南：我曾经在一个城市快速路仿真中，直接用MOBIL的默认参数（b_safe=4.0），结果仿真里的车变道特别激进，跟现实数据对不上。后来把b_safe调到2.5，效果就好了很多。所以，参数一定要根据实际数据标定，别偷懒。

好了，换道模型就聊到这儿。两个模型都不复杂，但用好了能解决很多实际问题。下次你写仿真代码时，不妨先试试MOBIL，跑通了再升级到LC2013——这样调试起来会轻松很多。

📚 课程目录

换道模型：MOBIL模型与LC2013模型

1. MOBIL模型原理

1.1 决策逻辑

1.2 Python实现

2. LC2013模型原理

2.1 核心改进

2.2 Python实现

3. 两个模型的对比

4. 核心逻辑流程图

5. 实际应用建议