Seguimiento de objetivos con patrones de movimiento no lineales sigue siendo un desafío significativo en la estimación de estado. Proponemos un filtro Hamiltoniano secuencial Monte Carlo estocástico de gradiente adaptativo de energía (SGHSMC) que combina dinámicas de energía adaptativas con un muestreo eficiente de partículas. El método propuesto cuenta con una función de energía novedosa que se adapta automáticamente a la dinámica del objetivo minimizando la necesidad de operaciones de remuestreo. Mediante la integración de muestreo de Monte Carlo Hamiltoniano con técnicas de gradiente estocástico, nuestro enfoque logra una reducción del 40% en la sobrecarga computacional en comparación con los filtros de partículas tradicionales manteniendo la diversidad de partículas. Validamos el método a través de estudios tanto de simulación como experimentales. La simulación emplea un modelo de crecimiento no estacionario univariado, demostrando mejoras del 39% en precisión de seguimiento sobre el filtro de Kalman extendido (EKF) y del 29% sobre los métodos estándar de Monte Carlo secuencial. La validación experimental utiliza un escenario de seguimiento solo de dirección con un robot cuadrúpedo ejecutando maniobras complejas, rastreado por sistemas de medición angular de alta precisión. En escenarios prácticos de seguimiento, el filtro SGHSMC logra una precisión un 77% mejor que el EKF manteniendo la eficiencia computacional adecuada para aplicaciones en tiempo real. El algoritmo demuestra su eficacia en escenarios que involucran cambios rápidos de estado y patrones de movimiento irregulares, ofreciendo una solución robusta para problemas desafiantes de seguimiento de objetivos.