在过去十年中，多任务学习方法在解决全景驾驶感知问题方面取得了令人鼓舞的成果，提供了高精度和高效率的性能。在设计实时实用的自动驾驶系统网络时，由于计算资源有限，多任务学习已成为一种流行的范式。本文提出了一种有效且高效的多任务学习网络，能够同时执行交通物体检测、可行驶道路区域分割和车道检测任务。我们的模型在具有挑战性的BDD100K数据集上实现了新的最先进（SOTA）性能，在准确性和速度方面均有所突破。特别是，与之前的SOTA模型相比，推理时间减少了近一半。代码将在近期发布。