Los métodos basados en el filtro de Kalman (KF) para el seguimiento multiobjeto en 3D (MOT) en la conducción autónoma a menudo enfrentan desafíos cuando se pierden detecciones debido a oclusiones, ruido del sensor u objetos que salen de la vista. Esto conduce a fallas en la asociación de datos y errores acumulativos en la etapa de actualización, ya que los filtros de Kalman tradicionales se basan en estimaciones de estado lineales que pueden derivar significativamente sin actualizaciones de medición. Para abordar este problema, proponemos un filtro de Kalman mejorado con nodos ficticios y confianza de predicción (KDPBTracker) para mejorar la continuidad y robustez del seguimiento en estos escenarios desafiantes. Primero, diseñamos nodos ficticios para actuar como pseudoobservaciones generadas a partir de detecciones pasadas y cercanas en casos de detección perdida, lo que permite asociaciones estables dentro de la matriz de asociación de datos cuando las detecciones reales no estaban temporalmente disponibles. Para abordar la incertidumbre en estos nodos ficticios, propusimos un puntaje de confianza de predicción para reflejar su confiabilidad en la asociación de datos. Además, modificamos un modelo de movimiento de aceleración constante combinado con estimación de dirección basada en la posición para controlar mejor las fluctuaciones numéricas de alta dimensión en la matriz de covarianza, mejorando la robustez del proceso de filtrado, especialmente en escenarios altamente dinámicos. Diseñamos además una asociación de datos de grafo bipartito para refinar las actualizaciones del filtro de Kalman mediante la integración de información geométrica y de movimiento ponderada por la confianza de predicción de los nodos ficticios. Finalmente, diseñamos un módulo de gestión de seguimiento basado en la confianza para gestionar dinámicamente la continuidad y eliminación de seguimientos basados en umbrales temporales y de confiabilidad, mejorando la precisión del seguimiento en entornos complejos. Nuestro método logra un rendimiento de vanguardia en el conjunto de validación de nuScenes, mejorando AMOTA en un 1.8% sobre el CentroPoint de referencia. La evaluación en el conjunto de datos de nuScenes demuestra que KDPBTracker mejora significativamente la precisión del seguimiento, reduce los cambios de identificación y mejora la continuidad general del seguimiento en condiciones desafiantes.