Die Verfolgung und Erkennung jedes Objekts – einschließlich solcher, die während des Trainings des Modells noch nie gesehen wurden – ist eine entscheidende, jedoch schwer erreichbare Fähigkeit autonomer Systeme. Ein autonomes Agens, das gegenüber nie zuvor gesehenen Objekten blind ist, stellt eine Sicherheitsgefahr dar, wenn es in der realen Welt operiert – und genau so funktionieren fast alle derzeitigen Systeme. Eine der Hauptbarrieren für Fortschritte im Tracking beliebiger Objekte ist, dass diese Aufgabe äußerst schwierig zu bewerten ist. Ein Benchmark, der eine faire, direkte Vergleichbarkeit bestehender Ansätze ermöglicht, stellt einen entscheidenden ersten Schritt dar, um dieses wichtige Forschungsfeld voranzutreiben. In diesem Paper wird diese Bewertungslücke adressiert, und es wird ein Überblick über den Forschungsstand sowie eine Evaluationsmethodik für die Erkennung und Verfolgung sowohl bekannter als auch unbekannter Objekte in einer offenen Welt vorgestellt. Wir präsentieren einen neuen Benchmark, TAO-OW: Tracking Any Object in an Open World, analysieren bestehende Ansätze im Bereich des Multi-Object Tracking und etablieren eine Baseline für diese Aufgabe, wobei zukünftige Herausforderungen hervorgehoben werden. Wir hoffen, eine neue Front im Forschungsbereich des Multi-Object Tracking zu eröffnen, die uns hoffentlich einen Schritt näher an intelligente Systeme bringt, die sicher in der realen Welt agieren können.