LiDAR 기반 3D 다중 객체 추적 (Multi-Object Tracking, MOT)은 일반적으로 기하학적 정보 (geometric information)에만 의존하며, 이는 장시간의 폐쇄 (occlusions) 상황이나 사람이 많은 혼잡한 환경에서 대상을 구별하기에는 불충분한 경우가 많습니다. RGB 기반 재식별 (Re-Identification, ReID)을 통합하는 것은 정체성 문맥 (identity context)을 유지하기 위한 이론적인 해결책을 제공하지만, 기존 방식들은 종종 계산 비용이 많이 드는 병렬 탐지기 (parallel detectors)에 의존하여 로봇의 실시간 반응성을 저해합니다. 본 연구는 모바일 로봇을 위해 기하학적 모델링과 외형 모델링 (appearance modeling)을 분리하는 경량 투영 기반 프레임워크 (lightweight projection-based framework)를 활용하여, 온라인 3D MOT에서의 이미지 기반 ReID에 대한 체계적인 연구를 제시합니다. 경량 CNN 및 Vision Transformers를 채택하여 특징 추출 아키텍처 (feature extraction architectures)에 대한 포괄적인 분석을 수행하였으며, 계산 지연 시간 (computational latency)과 견고한 추적 (robust tracking) 사이의 균형을 맞추기 위해 다양한 다중 모달 데이터 연관 (multi-modal data association) 전략을 평가하였습니다. KITTI 데이터셋의 보행자 (Pedestrian) 클래스에 대한 실험 결과, 외형 비용 (appearance cost)과 운동 비용 (motion cost)을 단순하게 선형 결합 (linear fusion)하는 방식은 시각적 노이즈 (visual noise)로 인해 성능을 저하시키는 것으로 나타났습니다. 반대로, 계단식 매칭 전략 (cascaded matching strategy)은 전체적인 정밀도 (precision)를 해치지 않으면서 폐쇄된 궤적 (occluded tracks)을 성공적으로 복구하였으며, 정체성 전환 (identity switches)을 효과적으로 방지하여 인간-로봇 상호작용 (human-robot interaction)의 연속성을 유지하였습니다. 우리는 경량 아키텍처가 안전한 내비게이션에 필요한 낮은 지연 시간과 사회적 인지 (social awareness)에 필요한 변별력 (discriminative power) 사이에서 최적의 절충안 (trade-off)을 제공할 수 있음을 보여줍니다.