基于LiDAR数据的三维物体检测在自动驾驶和机器人等应用中仍是一项关键任务。与二维图像不同，LiDAR数据通常是在一段时间内连续采集的。然而，该领域大多数现有方法均未考虑时间维度，而是独立进行检测。本文提出一种名为3D-FCT的孪生网络架构，该架构利用时间信息，实现三维物体检测与跟踪的联合任务。网络通过提取关键点并分析其在时间维度上的相关特征，学习预测物体的运动轨迹。仅基于关键点间相关性计算即可实现实时物体检测。此外，我们进一步扩展了多任务学习目标，引入跟踪回归损失以提升精度。最终，通过将短期检测轨迹（tracklets）基于预测轨迹进行关联，构建长期连续跟踪轨迹，从而实现高精度检测。在KITTI跟踪数据集上的实验表明，所提方法相比当前最先进的方法，mAP指标提升了5.57%。