모바일 로봇을 위한 신뢰할 수 있는 시맨틱 세그멘테이션 (Semantic Segmentation)은 정확한 밀집 예측 (Dense Prediction)과 분포 변화 (Distribution Shift) 상황에서의 강력한 불확실성 추정 (Uncertainty Estimation)을 모두 필요로 합니다. Monte Carlo Dropout과 같은 강력한 불확실성 베이스라인 (Baselines)은 종종 반복적인 확률적 순전파 (Stochastic Forward Passes)를 요구하며, 엣지 플랫폼 (Edge Platforms)에 배포하기 어렵습니다. 본 논문에서는 시맨틱 세그멘테이션을 위한 단일 패스 픽셀 단위 분포 외 (Out-of-Distribution, OOD) 탐지기인 Energy-Aware NECO를 제안합니다. 이 방법은 디코더 특징 (Decoder Features)으로부터 계산된 중심화된 NECO 스타일의 기하학적 비율 (Geometric Ratio)과 로짓 기반 (Logit-based) 에너지 점수 (Energy Score)를 결합합니다. 두 구성 요소는 순수 인-디스트리뷰션 (In-distribution) 검증 분할에 맞춰 피팅된 통계량을 사용하여 표준화되며, 볼록 결합 (Convex Combination)을 통해 융합됩니다. 우리는 실제 픽셀 수준의 OOD 라벨을 사용하여 miniMUAD 서브셋에서 이 방법을 평가합니다. 제안된 하이브리드 점수는 0.8539의 AUROC를 달성하여, NECO 전용 (0.8280), 에너지 전용 (0.8171), 그리고 앙상블 예측 엔트로피 (Ensemble Predictive-Entropy) 베이스라인 (0.8124)보다 뛰어난 성능을 보였습니다. 추가적인 정성적 분석 및 동작 지점 (Operating-point) 분석을 통해, 하이브리드 탐지기가 단일 패스 설계의 효율성 이점을 유지하면서도 전반적인 랭킹 성능을 향상시킨다는 것을 보여줍니다. 코드는 https://github.com/boyuan-zhangx/Energy-Aware_NECO 에서 확인할 수 있습니다.