Die 3D-Objekterkennung mithilfe von LiDAR-Daten bleibt eine zentrale Aufgabe für Anwendungen wie autonome Fahrzeuge und Robotik. Im Gegensatz zu 2D-Bildern wird LiDAR-Daten nahezu immer über einen Zeitraum hinweg erfasst. Dennoch konzentriert sich der Großteil der Forschung in diesem Bereich auf die Objekterkennung unabhängig vom zeitlichen Kontext. In diesem Paper stellen wir 3D-FCT vor, eine Siamese-Netzwerkarchitektur, die zeitliche Informationen nutzt, um gleichzeitig die verwandten Aufgaben der 3D-Objekterkennung und -verfolgung durchzuführen. Das Netzwerk wird trainiert, die Bewegung eines Objekts basierend auf den Korrelationsmerkmalen extrahierter Keypoints über die Zeit vorherzusagen. Die Berechnung der Korrelation über Keypoints ermöglicht allein bereits eine Echtzeit-Objekterkennung. Wir erweitern das Multi-Task-Objektiv zusätzlich um eine Tracking-Regression-Verlustfunktion. Schließlich erreichen wir eine hohe Genauigkeit bei der Objekterkennung, indem wir kurze Objekttracklets auf Basis der vorhergesagten Bewegungstrajektorien zu langfristigen Tracks verbinden. Unsere vorgeschlagene Methode wird auf dem KITTI-Tracking-Datensatz evaluiert, wo sie eine Verbesserung von 5,57 % mAP gegenüber einem state-of-the-art-Ansatz zeigt.