يُظهر التكييف غير المُراقب للنطاق (Unsupervised Domain Adaptation) إمكانات كبيرة في تقليل الانزياحات بين النطاقات من خلال نقل النماذج من النطاقات المصدرية المُعلَّمة إلى النطاقات الهدفية غير المُعلَّمة. وعلى الرغم من تطبيق التكييف غير المُراقب للنطاق في مجموعة واسعة من المهام البصرية المعقدة، إلا أن عددًا قليلاً من الدراسات ركّز على كشف المسارات (lane detection) في السياقات ذاتية القيادة. ويمكن تفسير ذلك جزئيًا بنقص البيانات المفتوحة للجمهور. ولتسهيل الأبحاث في هذا المجال، نُقدِّم CARLANE، وهو معيار تكييف من نموذج مُحاكاة إلى واقع (sim-to-real) ثلاثي الأطراف لكشف المسارات ثنائية الأبعاد. يشمل CARLANE مجموعتي بيانات هدف فردي هما MoLane وTuLane، ومجموعة بيانات متعددة الأهداف هي MuLane. وتُبنى هذه المجموعات من ثلاث مناطق مختلفة، وتغطي مشاهد متنوعة، وتحتوي على ما مجموعه 163 ألف صورة فريدة، من بينها 118 ألف صورة مُعلَّمة. بالإضافة إلى ذلك، نُقيِّم ونُقدِّم أسسًا معيارية منظمة، تشمل طريقةً نحن نُقدِّمها، والتي تُبنى على مبدأ التعلم التلقائي عبر النطاقات باستخدام النماذج النموذجية (Prototypical Cross-domain Self-supervised Learning). ونجد أن معدلات الأخطاء الإيجابية الكاذبة (false positives) والأخطاء السلبية الكاذبة (false negatives) لدى الطرق المُختبرة لتكييف النطاق مرتفعة مقارنةً بالأسس المُعلَّمة بالكامل. وهذا يؤكد الحاجة إلى معايير مثل CARLANE لتعزيز الأبحاث في مجال التكييف غير المُراقب للنطاقات في كشف المسارات. وتم إتاحة CARLANE، وجميع النماذج المُختبرة، والتنفيذات المرتبطة بها، بشكل مفتوح للجمهور عبر الرابط: https://carlanebenchmark.github.io.