In diesem Artikel schlagen wir vor, mehrere verwandte Aufgaben zur genauen Detektion von 3D-Objekten mit mehreren Sensoren auszunutzen. Ziel hierbei ist die Einführung einer end-to-end lernbaren Architektur, die gleichzeitig 2D- und 3D-Objektdetektion, Bodenschätzung sowie Tiefenkompletierung berücksichtigt. Unsere Experimente zeigen, dass diese Aufgaben sich gegenseitig ergänzen und dem Netzwerk helfen, durch die Fusion von Informationen auf verschiedenen Ebenen verbesserte Darstellungen zu lernen. Wichtig ist, dass unser Ansatz die KITTI-Benchmark für 2D-, 3D- und BEV-Objektdetektion führt und gleichzeitig in Echtzeit arbeitet.