La tecnología de detección y seguimiento de objetos en 3D se está adoptando cada vez más en vehículos terrestres no tripulados, ya que los sistemas de percepción robustos mejoran significativamente el rendimiento en la evitación de obstáculos de un UGV. Sin embargo, la mayoría de los algoritmos existentes dependen en gran medida de redes neuronales de nubes de puntos que son intensivas en computación, lo que los hace inadecuados para plataformas con recursos limitados. En este trabajo, proponemos un método eficiente de detección y seguimiento de objetos en 3D diseñado especialmente para su implementación en plataformas de vehículos de bajo costo. Para la fase de detección, nuestro método integra un detector 2D basado en imágenes con técnicas de fusión de datos para extraer de manera aproximada nubes de puntos de objetos, seguido de un enfoque de aprendizaje no supervisado para aislar objetos de datos de nubes de puntos ruidosos. Para el proceso de seguimiento, proponemos un algoritmo de seguimiento de múltiples objetivos basado en la asociación de datos de múltiples niveles. Este método introduce un paso adicional de asociación de datos para manejar objetivos que fallan en la detección en 3D, reduciendo así de manera efectiva el impacto de los errores de detección en el rendimiento del seguimiento. Además, nuestro método mejora la precisión de la asociación entre las salidas de detección y las trayectorias existentes a través de la integración de información 2D y 3D, mitigando así aún más los efectos adversos de las inexactitudes en la detección. Al adoptar el aprendizaje no supervisado como una alternativa a las complejas redes neuronales, nuestro enfoque demuestra una fuerte compatibilidad tanto con LiDAR de baja resolución como con plataformas de computación sin GPU. Los experimentos en el benchmark KITTI demuestran que nuestro marco de seguimiento logra importantes ganancias en eficiencia computacional mientras mantiene la precisión de detección. Además, las evaluaciones experimentales en la plataforma UGV del mundo real demostraron la viabilidad de implementación de nuestro enfoque.