過去10年間、マルチタスク学習アプローチはパンオプティックドライビングパーセプション問題の解決において有望な結果を達成し、高精度かつ高性能を提供してきました。計算リソースが制限されているリアルタイムの実用的な自動運転システムのネットワーク設計において、これは一般的なパラダイムとなっています。本論文では、交通物体検出、走行可能道路領域セグメンテーション、および車線検出を同時に実行する効果的かつ効率的なマルチタスク学習ネットワークを提案しています。特に、BDD100Kデータセットという難易度の高いデータセット上で、精度と速度の両面で新たな最先端（State-of-the-Art: SOTA）性能を達成しました。特に、推論時間は以前のSOTAモデルに比べて半分に削減されています。コードは近い将来公開される予定です。