多対象追跡（Multi-Object Tracking: MOT）分野において、従来の手法は運動予測にカルマンフィルタを用いることが一般的であり、線形運動の状況下ではその優れた性能を発揮する。しかし、スポーツやダンスなど動的環境において頻発する複雑な非線形運動や遮蔽（occlusion）に対しては、これらの手法の本質的な制約が顕在化する。本研究では、カルマンフィルタに代わる学習ベースの運動モデルを導入することで、カルマンフィルタに基づく追跡器の制約を超えた追跡精度および適応性の向上が可能であることを検証する。本研究で提案するMambaMOTおよびMambaMOT+は、DanceTrackやSportsMOTといった困難なMOTデータセットにおいて優れた性能を示し、従来手法に比べて複雑な非線形運動パターンや頻発する遮蔽に対してもより効果的に対応できることを実証している。