Con el gran avance de la detección de objetos, comienzan a surgir algunos paradigmas de seguimiento de múltiples objetos (MOT) basados en la detección, que incluyen el seguimiento por detección, la detección conjunta y el seguimiento, y el MOT basado en mecanismos de atención. Debido a la detección, incrustación y asociación de datos ejecutadas por separado, los métodos basados en seguimiento por detección son mucho menos eficientes que otros métodos MOT de extremo a extremo. Por lo tanto, trabajos recientes se dedican a integrar estos procesos separados en un paradigma de extremo a extremo. Algunos de los métodos de extremo a extremo basados en transformadores que introducen consultas de seguimiento para detectar objetivos han logrado buenos resultados. La autoatención y la consulta de seguimiento de estos métodos nos han dado cierta inspiración. Además, adoptamos una consulta de clase optimizada en lugar de una consulta de objeto aprendida estáticamente para detectar objetos nuevos de la categoría objetivo. En este trabajo, presentamos un modelo novedoso de extremo a extremo basado en un mecanismo de atención sin anclaje llamado TdmTracker, donde proponemos un mapa de distribución de trayectorias para guiar la predicción de posición, e introducimos un conjunto de incrustación de consultas adaptativas y un mecanismo de atención de consulta-clave para detectar objetos rastreados en el fotograma actual. Los resultados experimentales en el conjunto de datos MOT17 muestran que el TdmTracker logra un buen equilibrio entre velocidad y precisión en comparación con otros métodos de vanguardia.