مهندس رباتیک هوش مصنوعی
AI Robotics Engineer
مهندس رباتیک هوش مصنوعی نرم‌افزاری می‌سازد که ربات واقعی با آن محیط را می‌بیند، تصمیم می‌گیرد و حرکت می‌کند: از ادراک و تعیین موقعیت تا برنامه‌ریزی حرکت و کنترل، و به‌ویژه سیاست‌هایی (policy) که ربات از نمایش انسانی، داده و شبیه‌سازی یاد می‌گیرد. خود عبارت «AI Robotics Engineer» به همین ترتیب در آگهی‌هایی که برای این صفحه در ۲۰۲۶ بررسی شد، به‌عنوان عنوان شغلی پیدا نشد. شکل‌های نزدیک به آن کم‌اند: «Robotics AI Engineer» در Field AI، Burro و Zoid، «AI Robotics Research Engineer» در Nimble و «Senior AI Robotics Software Engineer» در Amaru Robotics. بیشتر شرکت‌ها همین کار را با عنوان‌های Robotics Software Engineer، Robot Learning Engineer، Machine Learning Engineer با پسوندی مثل Robot Learning یا Manipulation، Research Engineer و Controls Engineer آگهی می‌کنند. در جستجوی کار همهٔ این عنوان‌ها را امتحان کنید.
مقدمه و تعریف شغل
مهندس رباتیک هوش مصنوعی کسی است که کاری می‌کند ربات فیزیکی در محیط واقعی درست رفتار کند: محیط را با دوربین و حسگرها درک کند، بداند کجاست، حرکتش را برنامه‌ریزی کند و مهارت‌هایی مثل برداشتن، بسته‌بندی یا راه رفتن را از داده یاد بگیرد. با مهندس یادگیری ماشین معمولی فرق دارد چون نتیجهٔ کارش روی ربات سنجیده می‌شود، نه روی یک دیتاست. با مهندس رباتیک سنتی هم فرق دارد چون بخش بزرگی از رفتار ربات را به‌جای کد دست‌نوشته، با مدل‌های یادگیری عمیق می‌سازد. در عمل، کار بیشتر نرم‌افزار است و دست‌کم بخشی از وقت کنار ربات واقعی می‌گذرد.
در چند سال اخیر روش ساختن رفتار ربات عوض شده است. در ۲۰۲۳ مقالهٔ Diffusion Policy نشان داد سیاست visuomotor ربات را می‌شود به شکل یک فرایند diffusion شرطی مدل کرد، و مقالهٔ RT-2 برای مدل‌هایی که هم تصویر و زبان را می‌فهمند و هم action تولید می‌کنند، نام «vision-language-action» یا VLA را به کار برد. در ۲۰۲۴ OpenVLA، یک مدل متن‌باز ۷ میلیارد پارامتری که روی ۹۷۰ هزار نمایش ربات واقعی آموزش دیده بود، و مدل π0 از Physical Intelligence منتشر شدند و در ۲۰۲۵ مدل باز GR00T N1 برای ربات‌های انسان‌نما. آگهی‌های ۲۰۲۶ همین‌ها را می‌خواهند: Humanoid آشنایی با OpenVLA یا مدل‌های π، Agile Robots با π0 یا GR00T، و Path Robotics سیاست‌های diffusion یا flow-matching. هم‌زمان بازار ربات بزرگ‌تر شده است: به گزارش فدراسیون بین‌المللی رباتیک (IFR)، در ۲۰۲۵، ۶۰۳٬۳۰۷ ربات صنعتی نصب شد (۱۱٪ بیشتر از سال قبل) و شمار ربات‌های صنعتی در حال کار به حدود ۵ میلیون رسید؛ این آمار همهٔ ربات‌های صنعتی است، نه فقط ربات‌های مبتنی بر AI.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس رباتیک هوش مصنوعی
مهارت‌های ربات انسان‌نما در انبار و کارخانه
Agility Robotics ربات‌های انسان‌نمایی دارد که در انبار، کارخانه و مرکز توزیع کار می‌کنند. Robotics Software Engineer در تیم Skills مهارت‌های آمادهٔ پروداکشن را می‌نویسد، با behavior tree یا ماشین حالت ترتیب رفتار را تعریف می‌کند و آن را در شبیه‌ساز و روی ربات آزمایش می‌کند.
سلول رباتیک بسته‌بندی
Amaru Robotics کل کار بسته‌بندی سفارش آنلاین را خودکار می‌کند: اسکن، برداشتن، گذاشتن در جعبه یا کیسه، وزن‌کشی، چسب و برچسب. مهندس این تیم سیاست manipulation دو بازو را آموزش می‌دهد و پشتهٔ ادراک pick-and-place را قابل اعتماد می‌کند.
ماشین‌آلات ساختمانی خودران
Bedrock Robotics روی ماشین‌آلات ساختمانی، مثل بیل مکانیکی، سیستم خودمختار نصب می‌کند. مهندس کنترل و یادگیری ربات برای بدنه و بازوهای ۴ تا ۷ درجهٔ آزادی قانون کنترل می‌نویسد (MPC، RL، کنترل امپدانس) و مدل دینامیک این ماشین‌ها را می‌سازد.
ربات‌های میدانی در محیط‌های سخت
Field AI ربات‌های چهارپا و انسان‌نما را برای ساخت‌وساز، امنیت، معدن و تولید می‌سازد. تیم Calibration, Localization, and Mapping الگوریتم‌های کالیبراسیون، تعیین موقعیت و نقشه‌سازی را برای ماژول‌های خودمختاری می‌نویسد.
ربات‌های کشاورزی در فضای باز
Burro ربات‌هایی می‌سازد که بیرون، کنار کشاورزان کار می‌کنند. Senior Robotics AI Engineer سیستم‌های ML ادراک و ناوبری را با دادهٔ دوربین و LiDAR می‌سازد، روی سخت‌افزار edge اجرا می‌کند و مشکل‌های گزارش‌شدهٔ مشتری را ریشه‌یابی می‌کند.
ربات‌های دقیق در تولید سنگین
Path Robotics تیم تازه‌ای برای loco-manipulation کل بدن در کارهای دقیق تولید سنگین ساخته است. Machine Learning Engineer این تیم زیرساخت آموزش، خط لولهٔ داده، محیط شبیه‌سازی و سیاست‌های manipulation و locomotion را از صفر می‌سازد.
تخصص‌های مختلف مهندس رباتیک هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
یادگیری ربات برای manipulation
Robot Learning — Manipulation
آموزش سیاست برای برداشتن، جابه‌جا کردن و مونتاژ با imitation learning، RL و VLA. نمونهٔ آگهی‌ها: Robot Learning Engineer در Humanoid (لندن)، Applied Intuition و Agile Robots (مونیخ) و Senior AI Robotics Software Engineer در Amaru.
راه رفتن و کنترل کل بدن
Locomotion & Whole-Body Control
کنترل ربات‌های پادار و انسان‌نما، جایی که حرکت بازو مرکز جرم را جابه‌جا می‌کند و کنترل کل بدن باید آن را جبران کند. نمونه‌ها: Reinforcement Learning Engineer, Whole Body Control در Figure، Staff Robotics Control Engineer - Whole-Body Control در Humanoid و تیم Loco-Manipulation در Path Robotics.
ادراک، کالیبراسیون و تعیین موقعیت
Perception, Calibration & Localization
کالیبراسیون حسگر، SLAM و مدل‌های ادراک برای ناوبری و manipulation. نمونه‌ها: Robotics AI Engineer – Calibration, Localization, and Mapping در Field AI، Senior Robotics AI Engineer در Burro و Senior AI Software Engineer, Perception در Agility.
مدل‌های پایهٔ رباتیک
Robot Foundation Models (VLA / World Models)
پیش‌آموزش و fine-tune مدل‌های بزرگ VLA و world model روی دادهٔ ربات و ویدیو. نمونه‌ها: VLA Pre-training Engineer و Deep Learning Engineer - World Models در Humanoid و Helix AI Engineer, Video Pretraining در Figure.
مهارت‌های ربات و استقرار میدانی
Robot Skills & Field Deployment
تبدیل قابلیت‌های ربات به فرایند کاری قابل اعتماد در محل مشتری: نوشتن skill، تست، تنظیم و پشتیبانی. نمونه‌ها: Robotics Software Engineer در تیم Skills شرکت Agility و نقش‌های Forward Deployed Robotics Engineer در Physical Intelligence و Monumental.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مهندس یادگیری ماشین مدل را روی دادهٔ شرکت می‌سازد و کیفیتش را با معیارهای آفلاین می‌سنجد. در رباتیک، مدل باید روی ربات واقعی کار کند: آگهی Applied Intuition می‌نویسد «موفقیت روی ربات سنجیده می‌شود، نه فقط روی بنچمارک‌های آفلاین»، و Agile Robots علاوه بر Python و PyTorch، تجربه با سخت‌افزار ربات، ROS و رابط‌های کنترل را می‌خواهد. مرز این دو باز است و بسیاری از شرکت‌های رباتیک، مثل Path Robotics و Bedrock Robotics، همین نقش را با عنوان Machine Learning Engineer آگهی می‌کنند.
صفحهٔ مهندس یادگیری تقویت‌شدهٔ همین سایت توضیح می‌دهد که مهندس RL در شرکت رباتیک روی یک لایه کار می‌کند: یادگرفتن سیاست کنترل در شبیه‌ساز و انتقال آن به ربات واقعی. مهندس رباتیک هوش مصنوعی کل پشته را می‌بیند و RL فقط یکی از ابزارهای اوست. بسیاری از آگهی‌ها بیشتر به یادگیری تقلیدی و داده‌های teleoperation تکیه دارند: Humanoid از Robot Learning Engineer می‌خواهد سیاست را با behaviour cloning و RL آموزش دهد و جمع‌آوری داده را هم هدایت کند، و Agility در آگهی Robotics Software Engineer از نوشتن skill با behavior tree و آزمودن آن روی سخت‌افزار حرف می‌زند.
صفحهٔ مهندس بینایی ماشین این سایت می‌گوید در رباتیک و خودروی خودران عنوان رایج Perception است. برای مهندس رباتیک، ادراک ورودی یک حلقهٔ بسته است: خروجی مدل باید به برنامه‌ریزی و حرکت برسد و زیر محدودیت زمان واقعی و سخت‌افزار کار کند، که آگهی Burro صریحاً می‌خواهد. مرز این دو هم باز است: نقش‌های Robotics AI Engineer در Field AI در عمل نقش ادراک‌اند، یعنی کالیبراسیون حسگر، تعیین موقعیت و نقشه‌سازی برای ربات‌های چهارپا و انسان‌نما.
مهندس کنترل قانون کنترل می‌نویسد و با دینامیک، پایداری و اجرای زمان واقعی سروکار دارد. در رباتیک یادگیرنده این دو به هم نزدیک شده‌اند: Bedrock Robotics نقشی با عنوان Controls and Robot Learning Engineer دارد که در آن MPC، RL، کنترل امپدانس و شناسایی سیستم کنار هم آمده‌اند، و Humanoid و Physical Intelligence نقش‌های جداگانهٔ Controls Engineer دارند. اگر ریاضیات کنترل و کار نزدیک به سخت‌افزار را دوست دارید، این مسیر از نزدیک‌ترین راه‌ها به رباتیک هوش مصنوعی است.
تأثیر در صنایع مختلف
مهندس رباتیک هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
انبار و لجستیک
ربات‌های انسان‌نمای Agility در انبار و مرکز توزیع، سلول‌های بسته‌بندی Amaru و، به نوشتهٔ آگهی Nimble، همکاری این شرکت با FedEx برای شبکه‌ای از انبارهای خودکار
تولید صنعتی
ربات Apollo از Apptronik برای تولید و لجستیک، ربات‌های Tutor Intelligence در کارخانه‌ها و انبارها و کارهای دقیق تولید سنگین در Path Robotics
الکترونیک و خودروسازی
به گزارش IFR، صنعت برق و الکترونیک در ۲۰۲۵ بزرگ‌ترین مشتری ربات‌های صنعتی بود (۱۴۲٬۲۳۵ دستگاه) و خودروسازی دوم؛ Bosch هم برای ADAS، رانندگی خودکار و اتوماسیون صنعتی پژوهشگر Robotics AI استخدام می‌کند
ساخت‌وساز
سیستم خودمختار روی بیل مکانیکی و ماشین‌آلات سنگین در Bedrock Robotics و ربات‌های Field AI برای پایش پیشرفت پروژه و ایمنی کارگاه
معدن، امنیت و بازرسی
ربات‌های چهارپا و انسان‌نمای Field AI که در محیط‌های سخت و ناشناخته کار می‌کنند و برای نگهداری پیشگیرانه و بازرسی داده جمع می‌کنند
کشاورزی
ربات‌های Burro که در فضای باز کنار کشاورزان کار می‌کنند و با دوربین و LiDAR در محیط‌های داخلی و بیرونی ناوبری می‌کنند
دفاع و پهپاد
در هند، Zoid Technologies برای پهپاد و کاربردهای دفاعی مدل‌های تشخیص اشیای میلی‌متری، ناوبری بدون GNSS و نقشه‌برداری هوایی می‌سازد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
بدون دکترا نمی‌شود وارد این کار شد
نقش‌های پژوهشی معمولاً دکترا یا ارشد و سابقهٔ مقاله می‌خواهند: Nimble، Bosch و Toyota Research Institute همین را نوشته‌اند. اما Agility برای Robotics Software Engineer I/II کارشناسی یا ارشد با ۲+ سال تجربه می‌خواهد، Applied Intuition کارشناسی با ۱+ سال تجربه و می‌نویسد کار نشان‌داده‌شده روی سیستم واقعی را به مدرک ترجیح می‌دهد، و Dexmate کارشناسی با ۳+ سال تجربه را هم می‌پذیرد.
اگر در شبیه‌ساز کار کند، کافی است
تقریباً همهٔ آگهی‌ها تجربه با ربات واقعی می‌خواهند. Agility دنبال کسی است که از ساختن رفتار فیزیکی ربات لذت ببرد، «نه فقط اجرای شبیه‌سازی»؛ Path Robotics سیاستی می‌خواهد که روی سخت‌افزار واقعی مستقر شده باشد، «نه فقط در شبیه‌ساز»؛ و Nimble «تجربهٔ کار با سخت‌افزار واقعی ربات» را شرط کرده است.
کار اصلی، آموزش مدل است
بخش بزرگی از کار داده است. Humanoid از مهندس می‌خواهد مشخص کند دادهٔ خوب چیست و جمع‌آوری را با تیم داده هدایت کند، Apptronik «موتور داده» را از استراتژی جمع‌آوری تا برچسب‌زنی به عهدهٔ مهندس ارشد می‌گذارد، و Applied Intuition می‌خواهد شکست‌ها و مداخله‌های انسانی به دادهٔ بهتر، مدل بهتر و ارزیابی بهتر تبدیل شوند.
مدل‌های VLA رباتیک کلاسیک را بی‌مصرف کرده‌اند
آگهی‌ها هر دو را می‌خواهند. Agility از به‌کارگیری «روش‌های کلاسیک و مدرن رباتیک» حرف می‌زند، Bedrock کنترل MPC و امپدانس را کنار RL می‌گذارد و Apptronik از مهندس ارشد می‌خواهد تشخیص دهد خطا از بینایی کلاسیک (کالیبراسیون، هندسه، ادغام حسگر) است یا از مدل و داده.
رباتیک فقط کار مهندسان مکانیک و برق است
رشته‌هایی که آگهی‌ها نام می‌برند بیشتر علوم کامپیوتر و رباتیک‌اند و Applied Intuition مهندسی نرم‌افزار را هم پذیرفته است. Tutor Intelligence می‌نویسد دنبال کسی است با پیشینهٔ متنوع در کل پشتهٔ رباتیک، «از توسعهٔ وب full stack تا مهندسی مکانیک». آنچه همه می‌خواهند برنامه‌نویسی جدی است: Python و در بسیاری از نقش‌ها C++.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت میان کد، شبیه‌ساز و خود ربات می‌گذرد. کار روی skill ها و تست‌هایی است که یک مهندس ارشدتر تعریف کرده و کم‌کم یاد می‌گیرید خطا را از لاگ تا علتش دنبال کنید. این تصویر از آگهی Robotics Software Engineer I/II در Agility گرفته شده است.
- ◆مرور لاگ‌ها و ویدیوی آزمایش‌های روز قبل و پیدا کردن خطاهای تکرارشونده
- ◆تبدیل یک خطای ثبت‌شده در لاگ به یک تست تکرارپذیر
- ◆نوشتن یا اصلاح یک skill با behavior tree یا ماشین حالت
- ◆آزمودن تغییر در شبیه‌ساز و بعد روی ربات واقعی
- ◆به‌روز کردن طرح تست و مستندات skill
میانی (۲–۵ سال)
مالک یک قابلیت مشخص هستید، مثلاً یک مهارت manipulation، از داده تا استقرار. بخش مهمی از روز صرف داده و ارزیابی روی ربات می‌شود. این تصویر از آگهی‌های Robot Learning Engineer در Humanoid و Applied Intuition گرفته شده است.
- ◆بررسی مداخله‌های انسانی و شکست‌های ثبت‌شده و دسته‌بندی علت آن‌ها
- ◆نوشتن دستورالعمل جمع‌آوری داده برای اپراتورهای teleoperation
- ◆fine-tune یا post-train سیاست روی دادهٔ تازه
- ◆ارزیابی روی ربات: نرخ موفقیت، زمان چرخه و نرخ مداخله
- ◆هماهنگی با تیم کنترل و teleoperation برای روان‌تر کردن حرکت
ارشد (۵+ سال)
تصمیم می‌گیرید روی چه چیزی کار شود و چرا. بخشی از وقت صرف تشخیص گلوگاه‌ها، طراحی موتور داده و رشد دادن مهندسان دیگر می‌شود. این تصویر از آگهی‌های Apptronik، Burro و Path Robotics گرفته شده است.
- ◆اولویت‌بندی گلوگاه‌ها: آیا خطا از کالیبراسیون و هندسه است یا از مدل و داده
- ◆طراحی استراتژی داده: نسبت دادهٔ واقعی و مصنوعی، پالایش و برچسب‌زنی
- ◆ریشه‌یابی مشکل‌های گزارش‌شدهٔ مشتری
- ◆برنامه‌ریزی استقرار مرحله‌ای یک مدل تازه روی ناوگان ربات
- ◆بازبینی کد و معماری و منتورینگ
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈آموزش و fine-tune سیاست‌های manipulation یا locomotion با imitation learning، RL و مدل‌های VLA، از شبیه‌ساز تا ربات واقعی
- ◈ساخت خط لولهٔ جمع‌آوری، ساختاردهی و اعتبارسنجی داده از teleoperation، شبیه‌سازی و آزمایش‌های واقعی
- ◈آزمودن سیاست‌ها در شبیه‌ساز و روی ربات و پیدا کردن علت شکست: تغییر توزیع داده، خطای ادراک، دینامیک تماس، تأخیر یا کیفیت داده
- ◈استقرار مدل روی سخت‌افزار ربات با توجه به تأخیر، همگام‌سازی، کنترل‌های ایمنی و رفتار جایگزین (fallback)
- ◈نوشتن skill و رفتار ربات با behavior tree یا ماشین حالت و ادغام آن در فرایند واقعی مشتری
- ◈کالیبراسیون حسگرها، تعیین موقعیت و نقشه‌سازی برای ماژول‌های خودمختاری
- ◈ساخت ابزار و معیار برای سنجش مداوم عملکرد، مثل نرخ موفقیت، زمان چرخه و نرخ مداخلهٔ انسان
- ◈همکاری روزانه با مهندسان مکانیک، کنترل، ادراک، teleoperation و تیم عملیات
- ◈بررسی مشکل‌های گزارش‌شدهٔ مشتری و تحلیل ریشه‌ای آن‌ها، گاهی با سفر به محل مشتری
- ◈در سطح ارشد: تعیین استاندارد فنی، بازبینی معماری و منتورینگ مهندسان تازه‌کارتر
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس رباتیک هوش مصنوعی موفق به آن‌ها نیاز دارد
مهارت‌های فنی پایه
زبان اصلی آموزش مدل، اسکریپت‌نویسی و بیشتر کد رباتیک؛ در همهٔ آگهی‌های این صفحه آمده
برای کد زمان واقعی و نزدیک به سخت‌افزار؛ Field AI، Burro و Apptronik آن را کنار Python می‌خواهند
محیط کار روزانهٔ ربات؛ نوشتن node، کار با topic ها و استقرار روی سیستم واقعی
پایهٔ ریاضی هر کاری روی ربات؛ Applied Intuition و Field AI صریحاً آن را می‌خواهند
کالیبراسیون intrinsic و extrinsic، تخمین pose و point cloud
ادغام حسگرها، odometry و نقشه‌سازی؛ هستهٔ نقش‌های ادراک و تعیین موقعیت
برنامه‌ریزی مسیر، MPC و کنترل امپدانس؛ زبان مشترک با تیم کنترل
یادگیری ربات
نوشتن حلقهٔ آموزش، data loader و ارزیابی «فراتر از نمونهٔ اولیه در notebook»، به تعبیر Agile Robots
آموزش سیاست از نمایش انسانی؛ رایج‌ترین روش در آگهی‌های manipulation
خانوادهٔ جدید سیاست‌ها که Path Robotics و Applied Intuition نام برده‌اند
آموزش در شبیه‌ساز، domain randomization و انتقال به ربات واقعی
کار با OpenVLA، π0 یا GR00T و نمایش action به شکل token یا chunk
جمع‌آوری، پالایش و برچسب‌زنی دادهٔ ویدیو، proprioception و نیرو
TensorRT، ONNX و کوانتیزه‌سازی FP16 / INT8 برای اجرای زمان واقعی روی ربات
مهارت‌های کاری و میدانی
پیدا کردن خطا در مرز نرم‌افزار، حسگر و سخت‌افزار؛ تقریباً همهٔ آگهی‌ها آن را می‌خواهند
مقایسهٔ نسخه‌های مدل و جدا کردن اثر داده، حسگر، مدل و اجرا با آزمایش کنترل‌شده
طرح تست، تست رگرسیون و معیار پذیرش برای هر مهارت ربات
کار روزانه با مهندسان مکانیک، کنترل، ادراک، teleoperation و عملیات
ثبت روشن آزمایش‌ها و توضیح انتخاب‌ها برای هم‌تیمی‌ها و مدیران
سفر کوتاه برای استقرار و تنظیم؛ Agility کمتر از ۱۰٪ و Amaru حدود ۱۰ تا ۲۰٪ سفر ذکر کرده‌اند
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس رباتیک هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
ریاضیات ربات: سینماتیک، دینامیک و احتمال
زبان مشترک همهٔ بخش‌های رباتیک ریاضی است. آگهی Applied Intuition «دانش کاربردی سینماتیک ربات، دستگاه‌های مختصات و کالیبراسیون دوربین» را می‌خواهد و Field AI جبر خطی، احتمال، بهینه‌سازی عددی و هندسهٔ سه‌بعدی را. کتاب رایگان Modern Robotics و دورهٔ Coursera دانشگاه Northwestern که بر پایهٔ همین کتاب است، این پایه را به ترتیب درست می‌دهند.
برنامه‌نویسی رباتیک: Python، C++، Linux و ROS 2
آگهی Robotics Software Engineer در Agility تسلط به Python و تجربه با Linux را پایه می‌داند. Field AI، Burro و Apptronik علاوه بر Python، تسلط به C++ هم می‌خواهند. Field AI صریحاً «طراحی، ساخت و استقرار node های خودتان در یک سیستم رباتیک پیچیده» با ROS را شرط کرده است. MoveIt هم در آگهی Agility به‌عنوان امتیاز آمده است.
ادراک: بینایی، کالیبراسیون و تعیین موقعیت
ربات باید بداند کجاست و چه چیزی جلوی اوست. نقش‌های Robotics AI Engineer در Field AI دقیقاً همین کارند: کالیبراسیون حسگر (intrinsic و extrinsic)، همگام‌سازی زمانی، odometry و SLAM با LiDAR و دوربین. Apptronik هم آشنایی با تخمین pose شش‌بعدی، کالیبراسیون دوربین و پردازش point cloud را می‌خواهد.
برنامه‌ریزی حرکت، کنترل و شبیه‌سازی
قبل از اینکه ربات چیزی یاد بگیرد، باید بدانید حرکتش چطور برنامه‌ریزی و کنترل می‌شود. Bedrock Robotics برای بازوهای ماشین‌آلات ساختمانی MPC، کنترل امپدانس و شناسایی سیستم را کنار RL می‌خواهد و Agility نوشتن رفتار ربات با behavior tree و ماشین حالت را. شبیه‌ساز هم ابزار روزمره است: Path Robotics تجربه با Isaac Sim / Isaac Lab یا MuJoCo می‌خواهد و Dexmate و Apptronik از Drake هم نام برده‌اند. دو درس Russ Tedrake در MIT با جزوهٔ آنلاین رایگان این بخش را پوشش می‌دهند.
یادگیری ربات: Imitation Learning، RL، Diffusion Policy و VLA
این بخش هستهٔ «هوش مصنوعی» در این شغل است. Applied Intuition «عمق عملی در imitation learning و دست‌کم یک خانوادهٔ مدرن سیاست، مثل مدل‌های vision-language-action، diffusion policy یا action-chunking transformer» را می‌خواهد. Path Robotics تجربه با سیاست‌های diffusion یا flow-matching و action chunking، و Humanoid آشنایی با OpenVLA یا مدل‌های π را. کتابخانهٔ LeRobot همین روش‌ها را در PyTorch پیاده کرده و از بازوهای ارزانی مثل SO-100 تا ربات انسان‌نما را پشتیبانی می‌کند.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
فریم‌ورک و میان‌افزار رباتیک
میان‌افزار اتصال حسگر، کنترلر و ماژول‌های نرم‌افزار؛ Field AI و Agile Robots تجربه با آن را می‌خواهند
پیاده‌سازی behavior tree برای نوشتن رفتار و skill ربات، کاری که Agility از Robotics Software Engineer می‌خواهد
شبیه‌سازی
شبیه‌ساز و فریم‌ورک آموزش ربات روی GPU؛ Path، Dexmate و Agile Robots آن را یا یک شبیه‌ساز معادل را می‌خواهند
موتور فیزیک متن‌باز برای ربات‌ها و کارهای پرتماس؛ در آگهی‌های Path، Dexmate، Agile Robots و Applied Intuition
جعبه‌ابزار C++/Python برای شبیه‌سازی، برنامه‌ریزی و کنترل؛ Dexmate و Apptronik از آن نام برده‌اند
یادگیری ماشین و یادگیری ربات
کتابخانهٔ متن‌باز Hugging Face برای داده، آموزش و ارزیابی سیاست‌های ربات (ACT، Diffusion، Pi0، SmolVLA)
ادراک و اجرا روی ربات
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس نرم‌افزار رباتیک (سطح I/II)
۰ تا ۲ سال
نوشتن و آزمودن skill های ربات، تبدیل خطاهای ثبت‌شده در لاگ به تست تکرارپذیر و اعتبارسنجی رفتارها در شبیه‌ساز و روی سخت‌افزار. آگهی Robotics Software Engineer I/II در Agility برای این سطح ۲+ سال تجربه (پژوهشی یا صنعتی) می‌خواهد و Applied Intuition برای Robot Learning Engineer از ۱+ سال تجربه شروع می‌کند.
مهندس یادگیری ربات / مهندس نرم‌افزار رباتیک
۲ تا ۵ سال
آموزش و post-train سیاست‌های manipulation یا locomotion، تعیین اینکه دادهٔ خوب چیست و ساختن خط لولهٔ داده تا استقرار. Dexmate دست‌کم ۲ سال تجربهٔ ساخت سیستم AI برای رباتیک می‌خواهد و Humanoid ۳+ سال کار روی ربات با خروجی قابل نشان دادن.
مهندس ارشد
۵ تا ۷ سال
مالکیت یک زیرسیستم کامل در پروداکشن: از طراحی مدل و بهینه‌سازی تا استقرار و بررسی مشکل‌های گزارش‌شدهٔ مشتری. Burro برای Senior Robotics AI Engineer ۴+ سال تجربه و کارشناسی ارشد یا دکترا می‌خواهد و Bedrock برای نقش کنترل و یادگیری ربات ۵+ سال.
Staff / Principal
۷+ سال
هدایت موتور داده و کل چرخهٔ توسعه، اولویت‌بندی گلوگاه‌ها و منتورینگ. آگهی Principal Robotics Machine Learning Engineer در Apptronik ۷+ سال تجربه (یا ۵+ سال با دکترا) در manipulation یا کنترل حرکت پیچیده و ۵+ سال استقرار مدل ML روی ربات در پروداکشن می‌خواهد.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
فاصلهٔ شبیه‌ساز تا ربات واقعی
عمومیسیاستی که در شبیه‌ساز خوب کار می‌کند ممکن است روی ربات شکست بخورد. Agile Robots علت‌های رایج را این‌طور فهرست کرده: تغییر توزیع داده، خطای ادراک، دینامیک تماس، تأخیر و کیفیت داده. Path Robotics هم از متقاضی می‌خواهد نشان دهد سیاست را منتقل کرده و جایی را که شکسته، debug کرده است.
داده گران و کند جمع می‌شود
عمومیبرخلاف بسیاری از کارهای ML، دادهٔ آماده‌ای در کار نیست. نمایش‌ها باید با teleoperation روی ربات جمع شوند و کیفیت و تنوعشان مدیریت شود. Humanoid، Agile Robots و Applied Intuition همگی هدایت جمع‌آوری داده را جزو کار مهندس آورده‌اند.
محدودیت زمان واقعی و سخت‌افزار
عمومیمدل باید روی کامپیوتر خود ربات و در بودجهٔ زمانی کنترل اجرا شود. Path Robotics اجرای زمان واقعی روی ربات را «نیاز اصلی» می‌داند و Physical Intelligence یک تیم کامل برای خط لوله‌های کم‌تأخیر حسگر و actuator و رفتار قطعی سیستم‌عامل دارد.
کار حضوری و میدانی
عمومیچون ربات در دفتر یا آزمایشگاه است، دورکاری کامل کم است. Field AI نقش را «کاملاً حضوری» آگهی کرده، هرچند در همان آگهی نوشته برای کار ترکیبی یا دورکاری هم آماده است گفت‌وگو کند. Applied Intuition انتظار حضور پنج روز در هفته دارد و Agility دست‌کم چهار روز. سفر به محل مشتری و on-call هم در برخی آگهی‌ها آمده است.
فشار کاری در استارتاپ‌ها
استارتاپبیشتر آگهی‌های این صفحه از استارتاپ‌ها و شرکت‌های جوان رباتیک‌اند. برخی صریح‌اند: Nimble می‌نویسد متقاضی «باید بتواند در صورت نیاز ساعت‌های طولانی و آخر هفته کار کند».
ایمنی و قابلیت اطمینان
عمومیربات در کنار انسان و در محیط مشتری کار می‌کند، پس خطا هزینهٔ فیزیکی دارد. Bedrock تجربه با سیستم‌های safety-critical می‌خواهد، Agile Robots کنترل‌های ایمنی، رفتار جایگزین و پایش زمان اجرا را جزو استقرار می‌داند و Agility از مهندس می‌خواهد تعریف کند «آمادهٔ پروداکشن» برای هر skill یعنی چه.
حقوق و بازار کار جهانی
حقوق جهانی مهندس رباتیک هوش مصنوعی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, Robotics Software Engineer, estimate updated Apr 2025, total pay: 25th–75th pct; 50th pct (454 salaries)
- Glassdoor Canada, Robotics Software Engineer, estimate updated Oct 2026, total pay: 25th–75th pct; 50th pct (17 salaries)
- Glassdoor UK, Robotics Software Engineer, estimate updated Oct 2026, total pay: 25th–75th pct; 50th pct (56 salaries)
- Glassdoor Germany, Robotics Software Engineer, estimate updated Feb 2023, total pay: 25th–75th pct; 50th pct (53 salaries)
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: ROS 2 و Linux
ROS 2 را نصب کنید و آموزش‌های رسمی سطح مبتدی را تمام کنید. یک node ساده بنویسید که دادهٔ یک حسگر شبیه‌سازی‌شده را بخواند و منتشر کند.
ماه ۲: سینماتیک و دستگاه‌های مختصات
فصل‌های پیکربندی، حرکت اجسام صلب و سینماتیک کتاب Modern Robotics را بخوانید و تبدیل‌ها را در Python پیاده کنید.
ماه ۳: بازوی ربات و MoveIt 2
یک بازوی ربات را در شبیه‌ساز با MoveIt 2 حرکت دهید و پروژهٔ pick-and-place با دوربین را شروع کنید.
ماه ۴: Imitation learning با LeRobot
آموزش یادگیری تقلیدی LeRobot را دنبال کنید، داده جمع کنید و یک سیاست ACT یا Diffusion آموزش دهید.
ماه ۵: شبیه‌سازی و RL
یکی از مثال‌های locomotion یا manipulation در Isaac Lab را اجرا و تغییر دهید و اثر domain randomization را بسنجید.
ماه ۶: پورتفولیو و درخواست کار
دو پروژهٔ کامل با ویدیو، README و تحلیل شکست منتشر کنید. برای عنوان‌های Robotics Software Engineer، Robot Learning Engineer و Machine Learning Engineer (Robotics) درخواست بفرستید.
پروژه‌های پیشنهادی برای رزومه
ربات متحرک در شبیه‌ساز با ROS 2 و Nav2
مبتدییک ربات چرخ‌دار را در Gazebo بسازید، با LiDAR نقشهٔ محیط را بکشید و با Nav2 به نقطهٔ هدف ببرید. در README نشان دهید tf tree، topic ها و launch file ها چطور به هم وصل‌اند.
Pick-and-place با بینایی و MoveIt 2
متوسطبازوی ربات را در شبیه‌ساز طوری برنامه‌ریزی کنید که شیء را با دوربین پیدا کند، pose آن را تخمین بزند و با MoveIt 2 بردارد و جای مشخص بگذارد. نرخ موفقیت را روی چند ده تلاش گزارش کنید و خطاها را دسته‌بندی کنید.
Imitation learning با LeRobot
متوسطبا یک بازوی ارزان مثل SO-100 یا در شبیه‌ساز، چند ده نمایش با teleoperation جمع کنید، یک سیاست ACT یا Diffusion آموزش دهید و روی ربات یا بنچمارک شبیه‌ساز ارزیابی کنید. مهم‌تر از نتیجه، تحلیل این است که کدام شکست از داده بود و کدام از مدل یا اجرا.
Locomotion با RL در Isaac Lab
پیشرفتهیک ربات چهارپا یا انسان‌نما را در Isaac Lab با PPO آموزش دهید تا روی زمین ناهموار راه برود. با domain randomization مقاومت سیاست را بالا ببرید و نشان دهید هر تغییر در پاداش یا randomization چه اثری داشت.
Fine-tune یک مدل VLA روی یک کار مشخص
پیشرفتهمدل OpenVLA را با LoRA (که مخزن رسمی آن پشتیبانی می‌کند) یا یکی از مدل‌های π را از طریق openpi یا LeRobot روی یک کار manipulation fine-tune کنید. نتیجه را با یک سیاست کوچک‌تر مقایسه کنید و تأخیر inference را هم بسنجید؛ آگهی‌ها دقیقاً همین انتخاب بین مدل بزرگ و سیاست سبک را می‌خواهند.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
دکترایش را در ۱۹۷۷ از MIT گرفت و عنوان رساله‌اش «Motor control and learning by the state space model» بود. استاد MIT و دانشیار Carnegie Mellon بود و در CMU در ۱۹۸۰ آزمایشگاه Leg Lab را بنیان گذاشت. طبق ویکی‌پدیا، نخستین ربات‌های پرشی خودتعادل را او ساخت.
بنیان‌گذار و مدیرعامل سابق Boston Dynamics است و اکنون رئیس هیئت‌مدیرهٔ آن؛ شرکتی که با BigDog، Atlas و Spot شناخته می‌شود و پس از Google (۲۰۱۳) و SoftBank (۲۰۱۷)، در ۲۰۲۰ به Hyundai Motor Group رسید. اکنون مدیر اجرایی Boston Dynamics AI Institute است و در ۲۰۰۸ به عضویت National Academy of Engineering آمریکا انتخاب شد.
کار او از مسئلهٔ پایه‌ای تعادل و حرکت پاها شروع شد و سال‌ها بعد به ربات‌های تجاری رسید. به نظر می‌رسد در رباتیک، فهم عمیق دینامیک و کنترل زمینه‌ای است که روش‌های یادگیری روی آن سوار می‌شوند، نه جایگزین آن.
کارشناسی مهندسی برق و علوم کامپیوتر را در MIT خواند و در ۲۰۱۸ دکترایش را از UC Berkeley زیر نظر Pieter Abbeel و Sergey Levine گرفت. در دوران دکترا در Google Brain روی الگوریتم‌های یادگیری ربات کار کرد.
استادیار Stanford است و پژوهشش دربارهٔ هوشی است که ربات از راه تعامل با محیط به دست می‌آورد؛ از جمله یادگیری هم‌زمان ادراک بینایی و مهارت کنترلی با یادگیری عمیق. هم‌بنیان‌گذار استارتاپ Physical Intelligence است و نامش در فهرست نویسندگان مقاله‌های OpenVLA و π0 آمده است. جایزهٔ رسالهٔ دکترای ACM (۲۰۱۸) و جایزهٔ Early Academic Career انجمن رباتیک و اتوماسیون IEEE (۲۰۲۲) را گرفته است.
مسیر او از پژوهش دانشگاهی به ساختن مدل‌هایی رسید که امروز در آگهی‌های شغلی نامشان می‌آید. برای کسی که وارد این حوزه می‌شود، خواندن همین مقاله‌ها و اجرای کد متن‌بازشان نزدیک‌ترین راه برای فهم کاری است که شرکت‌ها انتظار دارند.
کارشناسی مهندسی کامپیوتر را در ۱۹۹۹ از University of Michigan و دکترا را در ۲۰۰۴ از MIT گرفت. به نوشتهٔ صفحهٔ شخصی‌اش، مسیرش از دینامیک ربات‌های پادار شروع شد و به ربات‌های انسان‌نما و manipulation ماهرانه رسید.
استاد Toyota در MIT است، رهبری تیم MIT در DARPA Robotics Challenge را بر عهده داشت و ۱۰ سال معاون ارشد پژوهش رباتیک و Large Behavior Models در Toyota Research Institute بود. اکنون یک استارتاپ physical AI را رهبری می‌کند. جزوه‌های دو درس او، Underactuated Robotics و Robotic Manipulation، رایگان و آنلاین‌اند و نامش در نویسندگان مقاله‌های Diffusion Policy و OpenVLA هم هست.
او هم‌زمان روی کنترل مبتنی بر مدل و روش‌های یادگیری کار کرده است. به نظر می‌رسد ترکیب این دو، همان چیزی است که آگهی‌های امروز با عنوان‌هایی مثل Controls and Robot Learning Engineer می‌خواهند.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
AI Robotics Research Engineer
تحلیل نیازمندی‌ها
Masters or P.h.D in Robotics or Computer Science
این نقش پژوهشی است و مدرک ارشد یا دکترا را شرط کرده است. اگر فقط کارشناسی دارید، نقش‌های مهندسی مثل Robotics Software Engineer یا Robot Learning Engineer در شرکت‌هایی مثل Agility و Applied Intuition راه ورود واقع‌بینانه‌تری‌اند.
ضروریExperience training deep learning models for robotic manipulation or mobility
باید خودتان مدل یادگیری عمیقی برای برداشتن اشیا یا حرکت ربات آموزش داده باشید. یک پروژهٔ کامل با LeRobot یا Isaac Lab که نتیجه و تحلیل شکستش منتشر شده باشد، نزدیک‌ترین نشانهٔ این تجربه است.
ضروریExperience working with real robotic hardware
شبیه‌ساز کافی نیست. باید با ربات واقعی کار کرده باشید: کالیبراسیون، اتصال حسگر و debug خطاهایی که فقط روی سخت‌افزار پیدا می‌شوند. یک بازوی ارزان هم برای ساختن این تجربه کار می‌کند.
ضروریExperience training models in simulation and developing simulation environments
علاوه بر استفاده از شبیه‌ساز، باید بتوانید محیط تازه بسازید: صحنه، اشیا، پاداش یا کار. کار با Isaac Lab یا MuJoCo و تغییر یک محیط آماده نقطهٔ شروع خوبی است.
مهمExperience collecting custom datasets
در رباتیک دادهٔ آماده کم است. یعنی باید خودتان داده جمع کرده باشید، مثلاً با teleoperation، و تصمیم گرفته باشید چه داده‌ای و با چه تنوعی لازم است.
مهمExperience training on open-source datasets
آشنایی با دیتاست‌های عمومی ربات، مثل دیتاست‌هایی که LeRobot در دسترس گذاشته، نشان می‌دهد می‌توانید پیش از جمع‌آوری دادهٔ خودتان، روش‌ها را سریع امتحان کنید.
مفیدStrong track record of publishing papers and/or deploying real-world applications
«و/یا» مهم است: مقاله یکی از دو راه است. استقرار یک سیستم واقعی که کار کرده هم پذیرفته می‌شود، پس پروژهٔ واقعی و مستند می‌تواند جای مقاله را بگیرد.
مهمExperience with system architecture, design and development
مدل باید در یک سیستم بزرگ‌تر کار کند. انتظار دارند بتوانید دربارهٔ اجزای سیستم، رابط‌ها و جریان داده تصمیم بگیرید، نه فقط مدل آموزش دهید.
مفیدMust be able to work extended hours and weekends as needed
این شرط صریح دربارهٔ فشار کاری است. پیش از درخواست، آن را با شرایط زندگی خودتان بسنجید و در مصاحبه بپرسید «در صورت نیاز» در عمل یعنی چقدر.
ضروریMust be able to work in San Francisco
نقش حضوری است و باید در سان‌فرانسیسکو باشید. فرم درخواست هم می‌پرسد آیا اکنون یا در آینده به حمایت ویزا برای کار در آمریکا نیاز دارید.
ضروریتحلیل مسئولیت‌ها
Develop and train diffusion policies, VLMs, multi-agent deep RL policies and more
سه خانوادهٔ مدل در یک خط: diffusion policy برای یادگرفتن حرکت از نمایش، مدل‌های بینایی-زبان (VLM) برای فهم صحنه و دستور، و RL چندعاملی برای هماهنگی چند ربات. لازم نیست در همه متخصص باشید، اما باید هر سه را بشناسید.
Develop data collection pipelines
بخشی از کار ساختن ابزاری است که داده را از ربات‌ها، اپراتورها یا شبیه‌ساز جمع کند و ذخیره و نسخه‌بندی کند. این کار مهندسی نرم‌افزار است، نه پژوهش.
Design data annotation and labeling
باید تعیین کنید داده چطور برچسب بخورد و کیفیت برچسب‌ها چطور کنترل شود. این تصمیم مستقیماً روی کیفیت مدل اثر دارد.
Support implementation of models into production systems
مدل در آزمایشگاه نمی‌ماند. باید به تیم کمک کنید آن را روی ربات‌هایی که واقعاً کار می‌کنند پیاده کنید، که یعنی توجه به تأخیر، قابلیت اطمینان و نگهداری.
نتیجه‌گیری کلی
عنوان این آگهی نزدیک‌ترین عنوانی است که برای این صفحه پیدا شد و نشان می‌دهد کار ترکیبی از پژوهش و داده است: آموزش diffusion policy، VLM و RL، ساختن خط لولهٔ جمع‌آوری و برچسب‌زنی داده و کمک به بردن مدل به سیستم واقعی. شرط ارشد یا دکترا، سابقهٔ مقاله یا استقرار واقعی و آمادگی برای کار در ساعت‌های طولانی نشان می‌دهد این نقطهٔ ورود نیست. حقوق اعلام‌شده ۱۸۰ تا ۲۲۰ هزار دلار در سال به‌علاوهٔ سهام است. برای شروع، نقش‌هایی مثل Robotics Software Engineer I/II در Agility یا Robot Learning Engineer در Applied Intuition با یک تا دو سال تجربه در دسترس‌ترند.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
در گزارش Future of Jobs ۲۰۲۵ مجمع جهانی اقتصاد، «Robotics Engineers» در نمودار رشد مشاغل ۲۰۲۵ تا ۲۰۳۰ شانزدهمین شغل از نظر رشد خالص پیش‌بینی‌شده است، درست پس از فهرست ۱۵ شغل پررشد. این رتبه بر پایهٔ نظرسنجی از کارفرمایان در سطح جهان است و رقم درصدی جداگانه‌ای برای آن در متن گزارش نیامده است.
منبع: WEF Future of Jobs Report 2025 (Figure 2.3)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
فدراسیون بین‌المللی رباتیک (IFR) پیش‌بینی می‌کند نصب سالانهٔ ربات‌های صنعتی در ۲۰۲۶ با ۹٪ رشد به ۶۵۵ هزار دستگاه برسد. این رقم در ۲۰۲۵، ۶۰۳٬۳۰۷ دستگاه بود.
به پیش‌بینی IFR، شمار ربات‌های صنعتی در حال کار در جهان در ۲۰۲۸ از شش میلیون دستگاه می‌گذرد. این عدد در ۲۰۲۵ حدود ۵ میلیون بود.
IFR نصب سالانهٔ ربات‌های صنعتی را در ۲۰۲۹ حدود ۸۰۶ هزار دستگاه پیش‌بینی می‌کند، یعنی رشد میانگین ۷٪ در سال از ۲۰۲۶ تا ۲۰۲۹.
به گزارش WEF، ۵۸٪ کارفرمایان انتظار دارند ربات‌ها و سیستم‌های خودمختار تا ۲۰۳۰ کسب‌وکارشان را دگرگون کنند. کارفرمایان در ایتالیا و ترکیه هم Robotics Engineers را در شمار شغل‌های رو به رشد خود آورده‌اند.
بیشتر آگهی‌هایی که برای این صفحه بررسی شد از استارتاپ‌ها و شرکت‌های جوان رباتیک بود، نه شرکت‌های بزرگ؛ یعنی فرصت هست، اما ثبات شغلی بیشتر به سرنوشت چند شرکت جوان بستگی دارد. روش‌ها هم سریع عوض می‌شوند: Diffusion Policy در ۲۰۲۳، OpenVLA و π0 در ۲۰۲۴ و GR00T N1 در ۲۰۲۵ منتشر شدند و آگهی‌های ۲۰۲۶ آشنایی با همین‌ها را می‌خواهند، پس دانش امروز چند سال دیگر کافی نخواهد بود. پایه‌هایی که عوض نمی‌شوند، یعنی سینماتیک، کنترل، کار با سخت‌افزار و تحلیل شکست، کمتر از مدل‌ها کهنه می‌شوند. ریسک دیگر شکاف تجربه است: تقریباً همهٔ آگهی‌ها تجربه با ربات واقعی می‌خواهند و این تجربه بدون دسترسی به سخت‌افزار سخت ساخته می‌شود.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۴ منبع بررسی شده است.
- AI Robotics Research Engineer — Nimble Robotics (job posting)
- Robotics AI Engineer – Calibration, Localization, and Mapping — Field AI (job posting)
- Senior Robotics AI Engineer — Burro (job posting)
- Senior AI Robotics Software Engineer — Amaru Robotics (job posting)
- Robotics AI Engineer | Defence — Zoid Technologies (job posting)
- Robotics Software Engineer I/II — Agility Robotics (job posting)
- Robot Learning Engineer — Dexmate (job posting)
- Robot Learning Engineer — Humanoid (job posting)
- Machine Learning Engineer, Robot Learning, Loco-Manipulation — Path Robotics (job posting)
- Principal Robotics Machine Learning Engineer — Apptronik (job posting)
- Controls and Robot Learning Engineer — Bedrock Robotics (job posting)
- Robotics Software Engineer (Runtime) — Physical Intelligence (job posting)
- Robot Learning Engineer - Manipulation — Applied Intuition (job posting)
- Robot Learning Engineer (m/f/d) VLA & Foundation Models — Agile Robots (job posting)
- Research Scientist- Robotics AI — Bosch USA (job posting)
- Robotics Machine Learning Engineer — Tutor Intelligence (job posting)
- Senior Machine Learning Researcher, Large Behavior Models & Diffusion Policy — Toyota Research Institute (job posting)
- Glassdoor — Robotics Software Engineer salaries, United States
- Glassdoor — Robotics Software Engineer salaries, Canada
- Glassdoor — Robotics Software Engineer salaries, United Kingdom
- Glassdoor — Robotics Software Engineer Gehälter, Deutschland
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- IFR — Executive Summary, World Robotics 2026: Industrial Robots (PDF)
- IFR — Five Million Robots now Operate in Factories Globally (Sep 2026)
- RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control (arXiv)
- Diffusion Policy: Visuomotor Policy Learning via Action Diffusion (arXiv)
- OpenVLA: An Open-Source Vision-Language-Action Model (arXiv)
- π0: A Vision-Language-Action Flow Model for General Robot Control (arXiv)
- GR00T N1: An Open Foundation Model for Generalist Humanoid Robots (arXiv)
- Hugging Face LeRobot (GitHub)
- OpenVLA (GitHub)
- Marc Raibert — Wikipedia
- Chelsea Finn — Wikipedia
- Russ Tedrake — MIT Robot Locomotion Group