자율 로봇이 작동하는 환경을 이해하는 것은 그 로봇이 효과적으로 기능하기 위해 필수적인 요소이다. 이러한 환경 인식은 교통 참가자들의 개별 사례를 식별하고 일반적인 장면 의미를 파악하는 것을 포함하며, 이를 효과적으로 해결할 수 있는 방법으로 포괄적 세그멘테이션(panoptic segmentation) 작업이 있다. 본 논문에서는 공유 백본(shared backbone)을 기반으로 하여 의미 정보가 � бог rich한 다중 스케일 특징을 효율적으로 인코딩하고 융합하는 효율적인 포괄적 세그멘테이션(EfficientPS) 아키텍처를 제안한다. 또한 세부적 특징과 맥락적 특징을 일관성 있게 통합하는 새로운 세분화 헤드와, 마스크 R-CNN의 새로운 변형을 인스턴스 헤드로 도입하였다. 더불어, EfficientPS 아키텍처의 두 헤드에서 생성된 최종 출력 로짓(logit)을 자연스럽게 통합하여 최종 포괄적 세그멘테이션 결과를 도출하는 새로운 포괄적 융합 모듈(panoptic fusion module)을 제안한다. 또한, 널리 알려진 어려운 KITTI 벤치마크에 대한 포괄적 세그멘테이션 레이블을 포함하는 KITTI 포괄적 세그멘테이션 데이터셋을 소개한다. Cityscapes, KITTI, Mapillary Vistas, 인도 주행 데이터셋(Indian Driving Dataset)에서 실시한 광범위한 평가 결과, 제안한 아키텍처가 이 네 가지 벤치마크에서 일관되게 새로운 최고 성능(state-of-the-art)을 달성하면서 동시에 지금까지 가장 효율적이고 빠른 포괄적 세그멘테이션 아키텍처임을 입증하였다.