本文提出了一种综合的多目标跟踪方法STMMOT，结合目标检测与身份链接，利用鲁棒时空记忆模块和动态查询嵌入，消除后处理需求。该方法在BDD100K和MOT17数据集上表现优异，超越了现有技术水平。文章还回顾了视觉Transformer在自动驾驶中的应用，探讨了其在目标检测和分割等领域的优势与局限性，并展望未来研究方向。