都市の街路シーンにおける追跡は、自動運転車などの自律システムにおいて中心的な役割を果たしています。現在の視覚に基づく追跡手法の多くは、画像ドメインで追跡を行っています。一方、LIDARやレーダーを用いた手法は純粋に3D空間で追跡を行います。視覚に基づく追跡手法の中には一部で3D情報を用いるものも存在し、3Dに基づく手法の中にはアプローチの一部で画像情報を活用するものもありますが、我々は方法全体を通じて画像空間と世界空間の情報を共同して利用することを提案します。我々の追跡パイプラインは、画像ベースの追跡の3D拡張として提示されます。検出結果を3D測定値で強化することから、各トラッキングオブジェクトの報告位置まで、処理のすべての段階で世界空間の3D情報を利用しています。これにより、我々は独自の結合2D-3Dカルマンフィルタと、概念的に明確かつ拡張可能な仮説生成および選択フレームワークを組み合わせることで実現しています。我々のアプローチは公式KITTIベンチマーク（2D画像ドメインでのみ評価を行う）において現行最先端と同等の性能を示しており、さらに実験では結合2D-3Dトラッキングを有効にすることで3D位置特定精度に大幅な改善が見られました。