El seguimiento confiable de múltiples objetos en 3D (MOT) utilizando drones distribuidos sigue siendo un desafío debido a la falta de detección activa y la ambigüedad en la asociación de detecciones desde diferentes vistas. Este artículo presenta un marco de detección pasiva que integra la asociación de datos de múltiples vistas y el MOT en 3D para objetos aéreos. Primero, la localización de objetos se logra mediante triangulación utilizando dos cámaras RGB a bordo. Para mitigar los objetos falsos positivos causados por trayectorias cruzadas, se explotan pistas espacio-temporales derivadas de detecciones de imágenes en 2D y resultados de seguimiento para establecer una matriz de asociación basada en la probabilidad, lo que permite una robusta asociación de datos de múltiples vistas. Posteriormente, se formulan matrices de covarianza de ruido de proceso y observación optimizadas para modelar cuantitativamente la incertidumbre de localización, y se introduce una asociación de datos basada en la distancia de Mahalanobis para mejorar la consistencia del seguimiento en 3D. Tanto las simulaciones como los experimentos en el mundo real demuestran que el enfoque propuesto logra un rendimiento de seguimiento preciso y estable bajo condiciones de detección pasiva.