先前的在线3D多目标跟踪（3DMOT）方法在目标连续几帧未被检测到时便会终止轨迹片段（tracklet）。然而，当物体短暂被遮挡或仅因离开视场（FOV）而“变暗”时，过早终止轨迹片段将导致身份切换（identity switch）。我们发现，轨迹片段的过早终止是当前主流3DMOT系统中身份切换的主要原因。为此，我们提出了Immortal Tracker——一种简洁而高效的跟踪系统，通过轨迹预测机制，对暂时不可见的目标维持其轨迹片段。该方法采用简单的卡尔曼滤波（Kalman filter）进行轨迹预测，并在目标不可见时基于预测结果持续保留轨迹片段。实验表明，该方法可有效避免因过早终止轨迹片段而导致的96%车辆身份切换问题。该方法无需任何可学习参数，在Waymo Open Dataset测试集上，车辆类别的误匹配率（mismatch ratio）达到0.0001量级，同时在MOTA指标上表现具有竞争力。其误匹配率较此前所有已发表方法低数十倍。在nuScenes数据集上也获得了类似优异结果。我们认为，所提出的Immortal Tracker为突破3DMOT性能极限提供了一种简洁而强大的解决方案。相关代码已开源，地址为：https://github.com/ImmortalTracker/ImmortalTracker。