Durch die Weiterentwicklung von Detektions- und Re-Identification-(ReID)-Techniken wurde erheblicher Fortschritt bei der Multi-Object-Tracking-(MOT)-Aufgabe erzielt. Trotz dieser Fortschritte bleibt die präzise Verfolgung von Objekten in Szenarien mit homogener Erscheinung und heterogener Bewegung weiterhin eine Herausforderung. Diese Schwierigkeit ergibt sich aus zwei Hauptfaktoren: der unzureichenden Unterscheidbarkeit der ReID-Features und der überwiegenden Nutzung linearer Bewegungsmodelle in MOT. In diesem Kontext stellen wir einen neuen, bewegungsorientierten Tracker namens MotionTrack vor, der auf einem lernbaren Bewegungsvorhersager basiert, der ausschließlich auf Objektrajektorien beruht. Dieser Vorhersager integriert umfassend zwei Ebenen der Granularität in Bewegungsmerkmalen, um die Modellierung zeitlicher Dynamiken zu verbessern und präzise Vorhersagen zukünftiger Bewegungen einzelner Objekte zu ermöglichen. Konkret nutzt der vorgeschlagene Ansatz eine Self-Attention-Mechanismus zur Erfassung von Token-Ebene-Informationen und eine Dynamic MLP-Schicht zur Modellierung von Kanal-Ebene-Features. MotionTrack ist ein einfacher, online-fähiger Tracking-Ansatz. Unsere experimentellen Ergebnisse zeigen, dass MotionTrack auf Datensätzen wie Dancetrack und SportsMOT, die durch äußerst komplexe Objektbewegungen gekennzeichnet sind, eine state-of-the-art-Leistung erzielt.