MiCaDeは、LiDARとカメラ間の外部パラメータが時間とともにずれる現象を、シーケンシャルな変化検知問題として捉える軽量フレームワークです。

このシステムは、2Dカメラ検出と3D LiDAR検出をクロスモーダルでマッチングし、水平・垂直方向のオフセット（ex,ey）、投影誤差の大きさ（ea）、システム的シフト方向（esin,ecos）、投影後の3Dボックスと2DボックスのIoU（ei）、深度一致誤差（eb）といったジオメトリクラスティエンシティメトリクスを抽出します。各短いフレームバッチで平均と方向成分の分散を計算し、9次元特徴ベクトル（ex,ey,ei,ea,esin,ecos,eb,σsin²,σcos²）を作り、参照キャリブレーションデータで学習したガウス混合モデルに対して対数尤度を算出します。これらの尤度列は、非パラメトリックな変化点モデル（CPM）に入力され、分布の偏移を検出します。

KITTI Raw、ZOD、ONCEという3つの公開データセットと、意図的に除外された1時間の実世界走行でMiCaDeを評価しました。各データセットにおいて、MiCaDeは標準教師付きベースライン（Tahiraj 等）よりも偽陽性率を低減し、検知遅延をほぼ同程度に抑えました。例としてKITTI Rawでは、実際の平均実行時間が10 000 秒を目標としたとき、偽陽性率は0.001/時間に減少し、検知遅延は約8.8 秒に留まりました（ベースラインは12 秒）。ZODとONCEでも同様の性能差が観測されました。

MiCaDeは2D‑3Dマッチングに依存しているため、漂移が大きくなるとマッチング件数が平均5件から3件に減少します。これは検知能力をほぼ失うわけではありませんが、シグナルが弱くなる可能性があることを示しています。

また、偽陽性制御はバッチレベル特徴が独立同分布（i.i.d.）であるという仮定に基づいていますが、実際にはこの仮定は完全には成り立ちません。したがって、指定された平均実行時間（ARL0）は感度調整値として扱うべきで、絶対的な保証ではありません。

MiCaDeは感知に用いるデータが車両の perception スタックから既に生成される検出結果のみを使用するため、計算負荷は軽量であり、既存のビジョン・LiDAR フュージョンプロセスを中断しません。