多対象追跡（MOT）は、検出技術および再識別（ReID）技術の進展により著しい進歩を遂げてきた。しかし、外見が類似し、運動特性が多様な状況下での正確な追跡は依然として課題である。この課題の背景には、主に二つの要因がある。第一に、ReID特徴量の識別能が不十分であること、第二に、MOTにおいて線形運動モデルが主に用いられていることである。このような状況を踏まえ、本研究では、オブジェクトの軌跡情報のみに依拠する学習可能な運動予測器を核とする新たな運動ベースの追跡手法、MotionTrackを提案する。この予測器は、運動特徴の二つの粒度レベルを包括的に統合することで、時系列的ダイナミクスのモデリングを強化し、個々のオブジェクトについて高精度な未来の運動予測を実現する。具体的には、トークンレベルの情報を捉えるための自己注意機構（self-attention mechanism）と、チャネルレベルの特徴をモデル化するための動的MLP層（Dynamic MLP layer）を採用している。MotionTrackはシンプルかつオンライン追跡が可能な手法であり、DancetrackやSportsMOTといった高度に複雑なオブジェクト運動を特徴とするデータセットにおいて、最先端の性能を達成することが実験結果から明らかになった。