Le suivi d'objets uniques en 3D (3D SOT) dans les nuages de points LiDAR joue un rôle crucial dans la conduite autonome. Les approches actuelles suivent toutes le paradigme Siamese basé sur l'appariement d'apparence. Cependant, les nuages de points LiDAR sont généralement dépourvus de texture et incomplets, ce qui entrave l'appariement efficace d'apparence. De plus, les méthodes précédentes négligent considérablement les indices de mouvement critiques entre les cibles. Dans cette étude, au-delà du suivi 3D Siamese, nous introduisons un paradigme centré sur le mouvement pour aborder le 3D SOT sous un angle nouveau. Conformément à ce paradigme, nous proposons un tracker en deux étapes sans appariement, appelé M²-Track. À la première étape, M²-Track localise la cible au sein des trames successives par transformation de mouvement. Ensuite, il affine la boîte englobante de la cible grâce à une complétion de forme assistée par le mouvement lors de la deuxième étape. Des expériences approfondies confirment que M²-Track dépasse significativement les méthodes précédentes sur trois jeux de données à grande échelle, avec des gains de précision respectifs de 57 FPS (~8 %, ~17 % et ~22 %) sur KITTI, NuScenes et Waymo Open Dataset. Une analyse supplémentaire vérifie l'efficacité de chaque composant et montre le potentiel prometteur du paradigme centré sur le mouvement lorsqu'il est combiné avec l'appariement d'apparence.