精确且快速地描绘出清晰的边界并赋予强大的语义信息对于许多下游机器人任务至关重要，例如机器人抓取和操作、实时语义建图以及在边缘计算单元上进行的在线传感器校准。尽管边界检测和语义分割是互补的任务，但大多数研究主要集中在轻量级的语义分割模型上，而忽视了边界检测的关键作用。在这项工作中，我们引入了Mobile-Seed，这是一种专为同时进行语义分割和边界检测设计的轻量级双任务框架。我们的框架包括一个双流编码器、一个主动融合解码器（AFD）和一种双任务正则化方法。编码器分为两个路径：一个路径捕捉类别感知的语义信息，另一个路径从多尺度特征中识别边界。AFD模块通过学习通道间的关联关系动态调整语义和边界信息的融合，从而实现对每个通道权重的精确分配。此外，我们引入了一种正则化损失来缓解双任务学习中的冲突和深度多样性监督问题。与现有方法相比，所提出的Mobile-Seed提供了一个轻量级框架，可以同时提高语义分割性能并准确地定位物体边界。在Cityscapes数据集上的实验表明，Mobile-Seed在mIoU指标上比最先进的（SOTA）基线方法提高了2.2个百分点（pp），在mF-score指标上提高了4.2 pp，同时在RTX 2080 Ti GPU上以1024x2048分辨率输入时保持了每秒23.9帧（FPS）的在线推理速度。在CamVid和PASCAL Context数据集上的额外实验进一步证实了我们方法的泛化能力。代码和更多结果已公开发布于 https://whu-usi3dv.github.io/Mobile-Seed/。