في مجال تتبع الكائنات المتعددة (MOT)، تعتمد الطرق التقليدية غالبًا على مرشح كالمان لتوقع الحركة، مستفيدةً من ميزاته في السيناريوهات التي تتسم بحركة خطية. ومع ذلك، تصبح القيود الجوهرية لهذه الطرق واضحة عند مواجهة حركات معقدة وغير خطية، بالإضافة إلى حالات التغطية (الإغلاق) التي تنتشر في البيئات الديناميكية مثل الرياضة والرقص. يُستعرض في هذا البحث إمكانية استبدال مرشح كالمان بنموذج حركة مبني على التعلم، والذي يُعزز بدقة التتبع وملاءمته بشكل فعّال، متجاوزًا القيود المفروضة على المُتتبعات القائمة على مرشح كالمان. في هذا العمل، تُظهر الطريقة المقترحة، MambaMOT وMambaMOT+، أداءً متقدمًا على مجموعات بيانات MOT الصعبة مثل DanceTrack وSportsMOT، مما يبرز قدرتها على التعامل مع أنماط حركة معقدة وغير خطية، والتعامل الفعّال مع حالات التغطية المتكررة، متفوقةً بذلك على الطرق التقليدية.