Dans le domaine du suivi multi-objets (MOT), les méthodes traditionnelles s'appuient fréquemment sur le filtre de Kalman pour la prédiction du mouvement, tirant parti de ses avantages dans les scénarios de mouvement linéaire. Toutefois, les limites intrinsèques de ces approches deviennent évidentes face à des mouvements complexes et non linéaires, ainsi qu'aux occlusions fréquentes, courantes dans des environnements dynamiques tels que les sports et la danse. Ce papier explore la possibilité de remplacer le filtre de Kalman par un modèle de mouvement fondé sur l'apprentissage, capable d'améliorer de manière significative la précision et l'adaptabilité du suivi, dépassant ainsi les contraintes des traqueurs basés sur le filtre de Kalman. Dans ce travail, notre méthode proposée, MambaMOT et MambaMOT+, démontre des performances avancées sur des jeux de données challengers tels que DanceTrack et SportsMOT, mettant en évidence leur capacité à gérer efficacement des motifs de mouvement complexes et non linéaires, ainsi que des occlusions fréquentes, surpassant ainsi les méthodes traditionnelles.