Le suivi d’objets multiples en ligne (MOT) joue un rôle fondamental dans les systèmes autonomes. Les approches les plus avancées s’appuient généralement sur une méthode de suivi par détection, dans laquelle l’association de données revêt une importance critique. Ce papier propose un suivi par module apprenant et optimisé par graphe (LEGO), visant à améliorer les performances d’association de données dans les travaux existants. Le suivi LEGO intégre à la fois l’optimisation de graphe et des mécanismes d’attention auto-associative, permettant de formuler efficacement une carte de scores d’association, facilitant ainsi un appariement précis et efficace des objets à travers les trames temporelles. Pour renforcer davantage le processus de mise à jour d’état, le filtre de Kalman est introduit afin de garantir un suivi cohérent en intégrant la cohérence temporelle dans les états des objets. La méthode proposée, utilisant uniquement des données LiDAR, a démontré des performances exceptionnelles par rapport à d’autres approches de suivi en ligne, y compris celles basées sur LiDAR et celles fondées sur la fusion LiDAR-caméra. LEGO s’est classé au premier rang au moment de la soumission des résultats au classement du benchmark de suivi d’objets KITTI, et conserve la deuxième place au moment de la soumission de ce papier, parmi tous les trackers en ligne du benchmark KITTI MOT pour les voitures.