Tracktor: sistema Android per navigazione operativa assistita, Mission Intelligence e After Action Report con Situation Awareness AI on-device

Questa tesi presenta Tracktor, un sistema Android end-to-end ideato come supporto alla navigazione operativa attraverso la raccolta di dati contestuali, la ricostruzione post-attività e la generazione di report strutturati. Il sistema è progettato per supportare attività mobili in ambienti dinamici, nelle quali risulta necessario seguire un percorso o raggiungere un punto di interesse, registrare eventi rilevanti e analizzare successivamente quanto accaduto. All’interno di questo quadro generale, Tracktor integra funzionalità di navigazione assistita, Mission Intelligence, After Action Report e Situation Awareness AI on device. Il progetto non è quindi limitato ad un singolo scenario applicativo, ma propone una pipeline completa che parte dalla raccolta dei dati sul campo e arriva alla loro trasformazione in informazioni ispezionabili, esportabili e utilizzabili per la revisione.Tracktor integra smart glasses basati su tecnologia ActiveLook, la sensoristica dello smartphone Android e un’unità IMU esterna per raccogliere dati di navigazione, movimento e contesto operativo. Gli smart glasses forniscono un supporto visivo essenziale, mentre smartphone e IMU acquisiscono parametri cinematici, ambientali e orientativi. Tali dati vengono correlati agli eventi registrati durante l’attività, come osservazioni, ostacoli, criticità e punti di interesse, trasformando la navigazione in un insieme strutturato di informazioni utilizzabili per Replay, analisi del percorso, Mission Intelligence e After Action Report. Il contributo della tesi è duplice. Sul piano ingegneristico descrive lo sviluppo incrementale di una piattaforma Android modulare basata su Feature-based Clean Architecture. Sul piano metodologico presenta una pipeline AI/ML completa, comprendente segmentazione delle navigazioni registrate, costruzione del dataset, generazione controllata di dati sintetici, revisione umana Gold, addestramento, validazione, export TFLite/JSON e integrazione nel runtime Android. Nel protocollo sperimentale adottato, il setup selezionato ha raggiunto un’accuracy aggregata del 95,4%, una macro-F1 del 94,8% e una recall del 100% per la macro-classe DANGEROUS, sulle predizioni aggregate dei dieci split, calcolate esclusivamente su segmenti provenienti da navigazioni reali e sottoposti a revisione umana. Il lavoro dimostra la fattibilità di un sistema mobile integrato che combina Machine Learning, regole esplicite e sensoristica indossabile per supportare la Situation Awareness in modo contestuale, interpretabile e non invasivo, mantenendo separate le funzioni safety-critical, affidate a logiche deterministiche, dalle valutazioni prodotte dal modello AI.