支持车队行动的路线侦察仍然是保护士兵免受路边爆炸危险的关键功能，比如简易爆炸装置、未爆炸弹药和地雷。这些危险继续威胁着国外的行动，并不断证明是一种不断演变和有问题的对抗策略。
美国陆军作战能力发展司令部，现在称为DEVCOM，陆军研究实验室，继续努力开发和过渡技术，为士兵提供安全对峙的爆炸危险指标。ARL和其他研究合作者由国防威胁减少局资助，通过“血猎犬帮”项目，该项目专注于一种系统的方法来对峙爆炸危险探测。
实验室项目经理Kelly Sherbondy表示，现实情况是，对于不同的安置场景，没有单一的传感器解决方案可以解决所有问题，他还强调了持续合作研究的重要性。
Sherbondy说:“从逻辑上讲，一种系统的方法来对峙爆炸危险探测研究是值得继续进行的。”“我们的合作方法提供了最先进的技术和方法的实施，同时与经验丰富的主题专家快速推进项目，以满足或超过军事需求和过渡点。”
该项目有7名来自全国各地的外部合作者，包括美国军事学院、特拉华大学视频/图像建模和合成实验室、理想创新公司、Alion科学技术公司、Citadel、IMSAR和AUGMNTR。
研究人员在无人机系统上使用各种传感器，这些传感器配有高清红外摄像机和导航，利用机器学习技术能够对爆炸危险进行对峙检测。
在项目的第一阶段，研究人员花了15个月的时间来评估针对各种爆炸危险阵地的高技术准备水平对峙检测技术。此外，还开发并评估了一种低trl对峙探测传感器，该传感器主要用于探测爆炸危险触发装置。第一阶段的评估包括检测概率、误报率和其他指标，这些指标最终将导致根据第二阶段计划的最佳性能对传感器进行降级选择。
在第一阶段评估的传感器包括机载合成孔径雷达、地面车辆和小型无人机激光雷达、高清光电摄像机、长波红外摄像机和非线性结探测雷达。研究人员在7公里的测试轨道上进行了现场测试，总共包括625个炮位，包括各种爆炸危险、模拟杂波和校准目标。他们在放置前后收集数据，以模拟真实世界中传感器之间的变化。
一个固定翼飞机平台配备了检测算法，使用各种传感器排列和双极化合成孔径雷达，以实现对爆炸危险的对峙检测。
通过传感器集收集了数兆兆字节的数据，这是充分训练人工智能/机器学习算法所需的。该算法对每个传感器进行自动目标检测。传感器数据通过地理定位进行像素对齐，AI/ML技术可以应用于特定区域的部分或全部组合传感器数据。检测算法为每个可疑目标提供置信度，以增强现实覆盖的形式显示给用户。检测算法在不同的传感器排列下执行，因此性能结果可以被聚合，并确定进入第二阶段的最佳行动方案。
美国空军爆炸军械处理和DTRA项目经理Mike Fuller中校说:“这些努力的成果对于确保战士在当前作战环境中的安全具有重要意义。”
未来的研究将通过增强现实引擎实现实时自动目标检测。经过三年的努力，该技术将在多个测试设施进行演示，以展示其在不同地形下的鲁棒性。
富勒说:“我们对各种现实的、相关的目标威胁进行了多种形式的并行比较，并对这些传感器的输出进行了融合评估，以确定最有效的方法来最大化探测概率和最小化误报。”“我们希望陆军和联合部队都能从收集到的数据和所有相关人员吸取的教训中受益。”
