مهندس ادراک رباتیک زیرآبی و دریایی
Perception Engineer (Underwater & Marine Robotics)
مهندس ادراک رباتیک زیرآبی و دریایی نرم‌افزاری می‌سازد که به ربات‌های زیرآبی (AUV و ROV) و قایق‌های خودران کمک می‌کند محیط اطرافشان را بفهمند: تشخیص، دسته‌بندی و ردیابی اشیا از روی داده‌های سونار و دوربین، تعیین موقعیت و نقشه‌سازی، و تحویل تصویری قابل اعتماد از محیط به بخش‌های برنامه‌ریزی ربات. عنوان «متخصص ادراک بصری زیر آب» در آگهی‌های استخدام به کار نمی‌رود؛ کارفرمایان همین کار را با عنوان‌هایی مثل Perception Engineer، Computer Vision Engineer، Machine Learning Engineer یا Data Scientist در شرکت‌های رباتیک دریایی آگهی می‌کنند. «بصری» هم فقط بخشی از کار است، چون در آگهی‌ها سونار و داده‌های صوتی به اندازهٔ دوربین اهمیت دارند.
مقدمه و تعریف شغل
مهندس ادراک رباتیک زیرآبی و دریایی بخشی از نرم‌افزار ربات را می‌سازد که داده‌های خام حسگرها را به درکی از محیط تبدیل می‌کند: چه چیزی آنجاست، کجاست و به کدام سمت حرکت می‌کند. آگهی Perception Engineer شرکت Vatn، سازندهٔ AUV، این کار را چنین توصیف می‌کند: توسعهٔ پشتهٔ ادراکی که وسیله‌های خودران شرکت به آن متکی‌اند، با کار مستقیم روی داده‌های سونار و تصویر برای ساختن pipelineهای تشخیص و ردیابی. خروجی این کار به تیم‌های تعیین موقعیت، پیش‌بینی و برنامه‌ریزی می‌رسد. از نظر روش‌ها این شغل همان مهندسی ادراک در رباتیک است؛ تفاوت در حسگرها، محیط و کارفرمایان است.
زیر آب چند چیز با خشکی فرق می‌کند. نور در آب ضعیف و رنگ‌ها جابه‌جا می‌شوند: طبق صفحهٔ DeepSeeColor در آزمایشگاه WARP مؤسسهٔ اقیانوس‌شناسی وودز هول (WHOI)، جذب انتخابی نور بعضی رنگ‌ها را از تصویر می‌گیرد و پراکندگی برگشتی رنگ‌های دیگری اضافه می‌کند، و همین باعث شده رفتارهای مبتنی بر بینایی زیر آب از خشکی و هوا عقب بمانند. به همین دلیل سونار نقش بزرگی دارد، اما مرور مجموعه‌داده‌های سونار (arXiv، ۲۰۲۵) کمبود دادهٔ عمومی و خوب برچسب‌خوردهٔ سونار را گلوگاه اصلی مدل‌های یادگیری ماشین می‌داند. در جستجوی این صفحه (اکتبر ۲۰۲۶)، پنج شرکت آگهی باز برای کار ادراک یا یادگیری ماشین روی وسیله‌ها یا حسگرهای زیرآبی داشتند: Vatn، Anduril (هم در آمریکا و هم در استرالیا)، Remora، Oceaneering و Pelagon. چهار شرکت دیگر، از جمله Saildrone و Seasats، همین کار را برای قایق‌های خودران سطحی آگهی کرده بودند. هیچ‌کدام عنوان «متخصص ادراک بصری زیر آب» را به کار نبرده بودند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس ادراک رباتیک زیرآبی و دریایی
تشخیص و ردیابی موانع و اشیا از سونار و تصویر
در آگهی Vatn، مهندس الگوریتم‌های تشخیص، دسته‌بندی و ردیابی چندشیئی موانع را می‌سازد و آن‌ها را به‌صورت nodeهای ROS 2 روی خود AUV اجرا می‌کند.
تصویر یکپارچه از وضعیت محیط برای مأموریت خودمختار
آگهی Anduril برای بخش دریایی‌اش از pipelineهایی حرف می‌زند که سونار، رادار و EO/IR را به آگاهی موقعیتی تبدیل می‌کنند، همراه با ردیابی چندهدفه در زمان واقعی برای وسیله‌ای که گاهی به اپراتور دسترسی ندارد.
تعیین موقعیت و نقشه‌سازی زیر آب
Remora در آگهی مهندس بینایی‌اش از SLAM و visual odometry نام می‌برد و Oceaneering از SLAM بصری، سوناری و چندحسگری، نقشه‌سازی و کالیبراسیون برای محیط‌های دشوار.
بازرسی و اندازه‌گیری خودکار
ربات Remora هنگام تمیز کردن تور قفس ماهی کل تور را اسکن می‌کند و سرویس Remora Insight تشخیص پیوستهٔ سوراخ تور را اضافه کرده است. Oceaneering هم از اجزای بینایی برای بازرسی و اندازه‌گیری در کارهای زیرآبی نام می‌برد.
مدل‌های صوتی برای تشخیص زیر آب
Pelagon در فرانسه یک مدل پایهٔ چندوجهی صوتی می‌سازد: پیش‌آموزش خودنظارتی روی حجم زیادی دادهٔ صوتی بدون برچسب و بعد fine-tune برای تشخیص، دسته‌بندی و تعیین موقعیت تهدیدهای زیر آب.
مدل‌های بهینه برای سخت‌افزار ربات و pipeline دادهٔ ناوگان
Seasats از مهندس ML می‌خواهد دادهٔ ناوگان را سازمان‌دهی و برچسب‌زنی کند، مدل‌ها را برای سخت‌افزار محدود آموزش و distill کند و پیش از رفتن وسیله به دریا، رفتار مدل را با چارچوب ارزیابی بسنجد.
تخصص‌های مختلف مهندس ادراک رباتیک زیرآبی و دریایی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
ادراک سوناری و شناسایی هدف
Sonar Perception & Target Recognition
تشخیص و دسته‌بندی اشیا روی داده‌های سونار و صوتی. نمونه‌ها: کار Vatn روی سونار و تصویر، pipelineهای سونار، رادار و EO/IR در Anduril، و مدل‌های صوتی Pelagon برای تشخیص و تعیین موقعیت زیر آب.
بینایی نوری و بازسازی سه‌بعدی زیر آب
Underwater Optical Vision & 3D Reconstruction
تصحیح رنگ، بهبود تصویر، بازسازی سه‌بعدی و بازرسی. نمونه‌ها: Sea-thru و DeepSeeColor برای حذف اثر آب، SeaSplat در WHOI برای بازسازی صحنه با Gaussian Splatting، و اجزای بازرسی و اندازه‌گیری در Oceaneering.
SLAM و تعیین موقعیت زیر آب
Underwater SLAM & Localization
تعیین موقعیت، نقشه‌سازی و کالیبراسیون بدون GPS. نمونه‌ها: SLAM و visual odometry در آگهی Remora، SLAM بصری و سوناری در Oceaneering و «GPS-denied localization» در آگهی Vatn.
ادراک قایق‌های خودران سطحی
Surface Maritime Perception (USV)
تشخیص، ردیابی و دسته‌بندی شناورها با دوربین، رادار و EO/IR. نمونه‌ها: تیم Perception در Saildrone، Senior Perception Software Engineer در Seasats و مدل‌های رادار و EO/IR در Tocaro Blue.
مهندسی یادگیری ماشین دریایی و استقرار روی لبه
Marine ML Engineering & Edge Deployment
چرخهٔ کامل مدل از داده و برچسب‌زنی تا استقرار روی سخت‌افزار ربات. نمونه‌ها: Senior Machine Learning Engineer برای برنامهٔ XL-AUV در Anduril Australia، مهندس ML در Seasats و Staff Software Engineer, Machine Learning در Saildrone که مدل‌ها را روی Jetson/AGX با TensorRT اجرا می‌کند.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
صفحهٔ مهندس بینایی ماشین همین سایت می‌گوید در رباتیک عنوان رایج Perception است و این صفحه همان شاخه را در دریا دنبال می‌کند. روش‌ها مشترک‌اند، اما زیر آب سونار و داده‌های صوتی به اندازهٔ دوربین مهم‌اند و خود آب تصویر را تغییر می‌دهد. تجربهٔ بینایی ماشین مستقیم منتقل می‌شود: Vatn ۳ تا ۵ سال تجربه در ادراک رباتیک، بینایی ماشین یا سیستم‌های خودمختار می‌خواهد و تجربهٔ حسگرهای دریایی را فقط امتیاز می‌داند.
صفحهٔ مهندس رباتیک هوش مصنوعی همین سایت «ادراک، کالیبراسیون و تعیین موقعیت» را یکی از تخصص‌های آن شغل می‌شمارد، کنار manipulation، حرکت ربات‌های پادار و مدل‌های پایهٔ ربات. مهندس ادراک دریایی روی همین یک لایه و در محیط دریا تخصص دارد و خروجی‌اش را به تیم‌های تعیین موقعیت، پیش‌بینی و برنامه‌ریزی تحویل می‌دهد، همان‌طور که آگهی Vatn توصیف کرده است.
مهندس ناوبری پهپاد بیشتر با هدایت و کنترل وسیلهٔ پرنده سروکار دارد. تمرکز این شغل فهمیدن محیط از روی سونار و تصویر است. هر دو با تخمین حالت، ترکیب حسگرها و تعیین موقعیت بدون GPS سروکار دارند (آگهی Vatn از «GPS-denied localization» نام می‌برد). تفاوت دیگر این است که زیر آب برای دیدن و تعیین موقعیت از صوت هم استفاده می‌شود: طبق DOSITS، سونار برای پیدا کردن اشیا در کف دریا و سامانه‌های صوتی برای هدایت ROVها به کار می‌روند.
تکنسین وسیله را می‌سازد، آزمایش و نگهداری می‌کند و در دریا به کار می‌اندازد. آگهی تکنسین REMUS در WHOI از مونتاژ، آزمون، کالیبراسیون و برنامه‌ریزی مأموریت می‌گوید و آگهی Oceaneering از هدایت ROV و تعمیر سیستم‌های الکترونیکی، مکانیکی و هیدرولیک. در این آگهی‌ها یادگیری ماشین یا نرم‌افزار ادراک خواسته نشده است. این مسیر راه خوبی برای آشنایی عملی با وسیله‌های زیرآبی است، اما شغل AI نیست.
تأثیر در صنایع مختلف
مهندس ادراک رباتیک زیرآبی و دریایی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
دفاع و امنیت دریایی
Vatn برای امنیت و اکتشاف زیر آب AUV می‌سازد، Anduril وسیله‌های خودمختار دریایی و برنامهٔ XL-AUV در استرالیا را توسعه می‌دهد و Pelagon در فرانسه برای حفاظت از زیرساخت‌ها و فضای دریایی اروپا مدل صوتی می‌سازد
انرژی فراساحلی
Oceaneering، که بیشتر به صنعت انرژی فراساحلی خدمات می‌دهد و ناوگان ROVهای work-class را اداره می‌کند، برای بازرسی، ناوبری و مداخله راه‌حل‌های یادگیری ماشین، ادراک و خودمختاری می‌سازد
بازرسی زیرساخت‌های زیر آب
Rosenxt در آلمان برای AUVهایی که از نزدیک خطوط لوله، سکوهای فراساحلی و شبکه‌های انرژی و ارتباطی را بازرسی می‌کنند، پردازش دادهٔ حسگرهای آزمون غیرمخرب (NDT) را توسعه می‌دهد
آبزی‌پروری
ربات Remora تور قفس‌های پرورش ماهی را به‌طور خودکار تمیز و بازرسی می‌کند و سرویس Remora Insight تشخیص پیوستهٔ سوراخ تور را ارائه می‌دهد
پژوهش اقیانوس و محیط زیست
آزمایشگاه WARP در WHOI ربات‌هایی برای پایش صخره‌های مرجانی می‌سازد و FathomNet ابزارهای AI و پایگاهی از تصاویر برچسب‌خورده به دست متخصصان را برای تحلیل دادهٔ تصویری اقیانوس در دسترس می‌گذارد
پایش دریایی و مقابله با فعالیت غیرقانونی
Saildrone با مدل‌های ادراک روی قایق‌های خودران، بینش‌هایی تولید می‌کند که به گفتهٔ آگهی‌اش در مختل کردن فعالیت‌های غیرقانونی دریایی نقش اساسی دارند
قایق‌های تجاری و دستیار ناوبری دریایی
Tocaro Blue پشتهٔ ادراک رادار و دوربین را هم برای مشتریان دفاعی‌ای می‌سازد که برای نیروی دریایی آمریکا USV توسعه می‌دهند و هم برای سازندگان تجاری‌ای که قابلیت‌های ADAS و autopilot دریایی را به بازار می‌آورند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
ادراک زیر آب یعنی همان بینایی ماشین با دوربین
در آگهی‌ها سونار و صوت به اندازهٔ دوربین مهم‌اند. Vatn از کار مستقیم با داده‌های سونار و تصویر می‌گوید، Anduril از pipelineهای سونار، رادار و EO/IR، و Pelagon اساساً روی مدل‌های صوتی کار می‌کند. Saildrone هم در فهرست حسگرهایش hydrophone و حسگرهای عمق‌سنجی را کنار دوربین و رادار آورده است.
برای این کار باید اقیانوس‌شناس یا مهندس دریایی بود
آگهی‌ها پیش از هر چیز تجربهٔ رباتیک، بینایی ماشین و یادگیری ماشین می‌خواهند. Vatn تجربهٔ حسگرهای دریایی را «امتیاز بزرگ» می‌داند، نه شرط لازم؛ Remora تجربهٔ ادراک زیرآبی را امتیاز می‌داند و Oceaneering تجربهٔ حوزهٔ زیرسطحی و فراساحلی را «مزیت».
مدل‌های آماده و پکیج‌های موجود زیر آب هم کار می‌کنند
Remora در آگهی‌اش می‌نویسد ربات‌هایش در شرایطی کار می‌کنند که راه‌حل‌های آماده اغلب جواب نمی‌دهند و کار فقط یکپارچه کردن پکیج‌ها نیست. Tocaro Blue هم دربارهٔ محیط دریایی می‌گوید مدل‌های آماده آنجا کم می‌آورند.
این یک کار پشت میز است
آزمون میدانی بخشی از شغل است. Vatn آمادگی برای کار حضوری و شرکت در آزمون‌های واقعی وسیله را شرط لازم می‌داند، Seasats از تنظیم الگوریتم‌ها در محل‌های آزمون روی آب می‌گوید و Pelagon از «بستن حلقه با آزمون‌های دریایی».
همهٔ این شغل‌ها دفاعی‌اند و فقط برای شهروندان یک کشور
بخش بزرگی از آگهی‌های آمریکایی دفاعی‌اند و شرط شهروندی یا مجوز امنیتی دارند: Vatn شهروندی آمریکا، Anduril مجوز Secret و Seasats «U.S. person» بودن را خواسته‌اند. اما همهٔ بازار این‌طور نیست: Remora در آبزی‌پروری کار قراردادی دورکار پیشنهاد می‌دهد، Oceaneering این نقش را در هند آگهی کرده و پژوهش اقیانوس در مؤسسه‌هایی مثل WHOI هم جای دیگری برای این مهارت‌هاست.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف داده و ارزیابی می‌شود: آماده کردن داده‌های سونار و تصویر، آموزش و سنجیدن مدل‌ها و نوشتن کدی که در pipeline اصلی ادغام شود. در آزمون‌های میدانی کمک می‌کنید و از تحلیل لاگ‌ها یاد می‌گیرید.
- ◆مرتب کردن و برچسب‌زنی بخشی از داده‌های یک آزمون دریایی
- ◆آموزش یک مدل تشخیص و مقایسهٔ آن با نسخهٔ قبلی با معیارهای کمّی
- ◆نوشتن یک node در ROS 2 همراه با تست
- ◆بررسی لاگ آزمون برای پیدا کردن جایی که ردیاب شیء را گم کرده است
میانی (۲–۵ سال)
مسئولیت بخشی از pipeline ادراک روی خود وسیله با شماست. آگهی Vatn همین سطح را توصیف می‌کند: نگهداری pipeline زمان واقعی، الگوریتم‌های تشخیص و ردیابی، شرکت در آزمون‌های حضوری و رفع خطاهای واقعی ادراک.
- ◆بهبود ردیابی چندشیئی وقتی سونار در یک آزمون نویز زیادی داشته است
- ◆هماهنگی قالب خروجی ادراک با تیم‌های تعیین موقعیت و برنامه‌ریزی
- ◆بهینه‌سازی یک مدل با TensorRT برای اجرا روی سخت‌افزار وسیله
- ◆شرکت در یک روز آزمون روی آب و نوشتن گزارش خطاها
ارشد (۵+ سال)
تمرکز روی معماری، کیفیت و جهت فنی است. Seasats از مهندس ارشد ادراک می‌خواهد معماری پشته را شکل دهد، انتخاب حسگر را با سنجیدن کارایی، توان و هزینه هدایت کند و دیگران را منتور کند. Anduril تبدیل نیازهای عملیاتی مأموریت به نیازهای نرم‌افزاری را هم از او می‌خواهد.
- ◆ارزیابی یک حسگر تازه همراه با تیم سخت‌افزار
- ◆تعریف معیارها و چارچوب ارزیابی پیش از اعزام وسیله به دریا
- ◆بازبینی طراحی و کد مهندسان دیگر
- ◆ترجمهٔ نیاز یک مأموریت به مشخصات فنی پشتهٔ ادراک
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت و نگهداری pipelineهای ادراک زمان واقعی روی ربات‌های زیرآبی و قایق‌های خودران
- ◈توسعهٔ الگوریتم‌های تشخیص، دسته‌بندی و ردیابی چندشیئی از داده‌های سونار، دوربین، رادار و EO/IR
- ◈ترکیب داده‌های چند حسگر برای ساختن تصویری قابل اعتماد از محیط برای بخش‌های تعیین موقعیت و برنامه‌ریزی
- ◈توسعهٔ SLAM، visual odometry، کالیبراسیون و تخمین حالت در محیط‌هایی که GPS در دسترس نیست
- ◈آموزش، ارزیابی و بهینه‌سازی مدل‌های یادگیری عمیق برای اجرا روی سخت‌افزار محدود ربات (مثل Jetson)
- ◈جمع‌آوری، سازمان‌دهی و برچسب‌زنی داده‌های ناوگان و ساختن چارچوب ارزیابی پیش از اعزام وسیله به دریا
- ◈شرکت در آزمون‌های میدانی و تحلیل خطاهای واقعی ادراک برای بهبود پایداری سیستم
- ◈هماهنگی رابط‌ها با تیم‌های تعیین موقعیت، برنامه‌ریزی، کنترل و سخت‌افزار
- ◈تعریف مسئله و دامنهٔ آزمایش با معیار موفقیت روشن و گزارش نتیجه به تیم نرم‌افزار
- ◈در سطح ارشد: انتخاب حسگر، تعیین معماری ادراک و منتورینگ مهندسان دیگر
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس ادراک رباتیک زیرآبی و دریایی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
Vatn تسلط به C++ برای نرم‌افزار رباتیک زمان واقعی و در سطح پروداکشن را شرط لازم می‌داند
برای نمونه‌سازی، اسکریپت و کار با مدل؛ Seasats تسلط کامل به Python و ابزارهای علمی آن را می‌خواهد
نوشتن و نگهداری nodeها و packageهای ROS 2 برای نرم‌افزار ادراک روی وسیله (آگهی Vatn)
Vatn آشنایی با فریم‌ورک‌های یادگیری عمیق، ترجیحاً PyTorch، را برای این کارها می‌خواهد
clustering، segmentation، فیلترینگ، ترکیب حسگر و ردیابی احتمالاتی با فیلتر کالمن یا ذره‌ای (آگهی Seasats)
در آگهی‌های Vatn، Anduril و Saildrone از وظایف اصلی است
دستگاه‌های مختصات، تبدیل‌ها و کالیبراسیون حسگر؛ در آگهی‌های Vatn و Seasats آمده است
ترکیب سونار، دوربین، رادار، LiDAR و حسگرهای اینرسی برای تصویر واحد از محیط
visual odometry، SLAM بصری و سوناری و تخمین حالت؛ در آگهی‌های Remora و Oceaneering
TensorRT، ONNX Runtime، کوانتیزه کردن و اجرای مدل روی Jetson با محدودیت توان و تأخیر
مدیریت داده، برچسب‌زنی، نسخه‌بندی مدل و ارزیابی خودکار؛ در آگهی‌های Anduril Australia و Seasats
مهارت‌های نرم
Remora کسی را می‌خواهد که یک مسئلهٔ باز را خودش تا سیستمی که کار می‌کند برساند
حضور در آزمون‌های وسیله و پیدا کردن علت خطاهای واقعی ادراک (آگهی Vatn)
تعریف رابط‌های تمیز با تیم‌های تعیین موقعیت، پیش‌بینی، برنامه‌ریزی و سخت‌افزار
Seasats مهارت قوی ارتباط فنی را در هر دو آگهی ادراک و ML خود خواسته است
Seasats ترجیح می‌دهد چند پروژه به ۸۰٪ برسند تا یک پروژه به «کمال»، و در عین حال از نزدیک شدن تدریجی به کمال لذت ببرید
دانش حوزه‌ای
انواع سونار (side-scan، forward-looking، synthetic aperture، چندپرتوی) و نویز و محدودیت‌های تصویر سوناری
جذب انتخابی نور، پراکندگی برگشتی و روش‌های تصحیح رنگ مثل Sea-thru و DeepSeeColor
DVL، IMU و ناوبری صوتی؛ HoloOcean همین حسگرها را در کنار سونار و دوربین شبیه‌سازی می‌کند
Vatn درک استانداردهای ایمنی وسیله‌های خودران یا روش‌های توسعهٔ نرم‌افزار حساس به ایمنی را امتیاز می‌داند
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس ادراک رباتیک زیرآبی و دریایی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Python، C++ و ریاضیات
در همهٔ آگهی‌های این حوزه هر دو زبان آمده‌اند: Python برای نمونه‌سازی و کار با مدل، C++ برای نرم‌افزاری که روی خود ربات و در زمان واقعی اجرا می‌شود. هم‌زمان جبر خطی، احتمال و هندسه را مرور کنید؛ آگهی Vatn درک هندسهٔ سه‌بعدی، کالیبراسیون حسگر و تبدیل دستگاه‌های مختصات را جزو شرایط لازم آورده است.
بینایی ماشین و یادگیری عمیق
تشخیص، دسته‌بندی و segmentation با شبکه‌های عصبی را یاد بگیرید، اما روش‌های کلاسیک را کنار نگذارید. آگهی Vatn هم آشنایی با PyTorch برای تشخیص و segmentation را می‌خواهد و هم «روش‌های کلاسیک ادراک»؛ آگهی Seasats هم از clustering، فیلترینگ و ردیابی احتمالاتی نام می‌برد.
رباتیک: ROS 2، تخمین حالت، ردیابی و SLAM
ادراک در ربات به برنامه‌ریزی و کنترل وصل است. ROS 2 را یاد بگیرید، چون Vatn نوشتن و نگهداری nodeها و packageهای ROS 2 را از وظایف اصلی می‌شمارد. بعد به فیلتر کالمن، ردیابی چندشیئی، کالیبراسیون و SLAM بپردازید؛ Remora از SLAM و visual odometry و Oceaneering از SLAM بصری و سوناری در شرح شغل نام برده‌اند.
حسگرهای زیرآبی: سونار و نور در آب
این مرحله شما را از یک مهندس بینایی عمومی جدا می‌کند. اول بفهمید سونار چطور تصویر می‌سازد (side-scan، forward-looking و انواع دیگر) و چرا داده‌اش نویزی است. بعد سراغ اثر آب بر تصویر بروید: طبق صفحهٔ DeepSeeColor در WHOI، جذب انتخابی نور بعضی رنگ‌ها را از تصویر می‌گیرد و پراکندگی برگشتی (backscatter) رنگ‌های دیگری اضافه می‌کند. مقالهٔ Sea-thru و مرور مجموعه‌داده‌های سونار نقطهٔ شروع خوبی‌اند.
شبیه‌سازی، استقرار روی لبه و کار میدانی
مدل باید روی سخت‌افزار محدود ربات و در زمان واقعی کار کند. Vatn آشنایی با TensorRT و تجربهٔ استقرار روی Jetson را امتیاز می‌داند و Seasats از کوانتیزه کردن، pruning و ONNX Runtime نام می‌برد. پیش از دسترسی به ربات واقعی، الگوریتم‌ها را در شبیه‌ساز زیرآبی بیازمایید و درس‌های عمومی MIT 2.680 دربارهٔ خودمختاری شناورهای دریایی را دنبال کنید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان‌ها و میان‌افزار رباتیک
زبان نرم‌افزار روی ربات؛ Vatn تسلط به C++ برای نرم‌افزار زمان واقعی و Saildrone توسعهٔ نرم‌افزار ادراک پروداکشن با C++ را می‌خواهند
نمونه‌سازی، اسکریپت و کار با مدل؛ در آگهی‌های Vatn، Remora، Saildrone، Seasats و Oceaneering آمده است
میان‌افزار استاندارد ربات؛ Vatn تجربهٔ ROS / ROS 2 را شرط لازم و Oceaneering آن را مطلوب می‌داند
بینایی، یادگیری عمیق و دادهٔ سه‌بعدی
فریم‌ورک اصلی مدل‌سازی؛ Vatn صریحاً PyTorch را ترجیح می‌دهد و Saildrone و Seasats هم آن را خواسته‌اند
کتابخانهٔ پردازش ابر نقاط؛ Oceaneering آن را در کنار OpenCV و PyTorch برای ادراک سه‌بعدی آورده است
استقرار روی سخت‌افزار ربات
بهینه‌سازی مدل برای اجرای زمان واقعی؛ در آگهی‌های Vatn، Anduril Australia، Saildrone و Seasats آمده است
سخت‌افزار رایج پردازش روی ربات؛ Saildrone اجرای مدل‌ها روی Jetson/AGX را از وظایف اصلی و Vatn تجربهٔ استقرار روی Jetson را امتیاز می‌داند
شبیه‌سازی و سکوهای زیرآبی
شبیه‌ساز زیرآبی BYU بر پایهٔ Unreal Engine که سونار (تصویری، پروفایلی، side-scan)، DVL، IMU و دوربین را شبیه‌سازی می‌کند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس ادراک جونیور / مهندس بینایی ماشین
۰ تا ۲ سال
پیاده‌سازی و آزمودن بخش‌های مشخص زیر نظر مهندس ارشد: آماده‌سازی و برچسب‌زنی داده، آموزش و ارزیابی یک مدل تشخیص، نوشتن node در ROS 2 و کمک در آزمون‌های میدانی
مهندس ادراک (Perception Engineer)
۲ تا ۵ سال
مسئولیت یک pipeline ادراک زمان واقعی روی وسیله: تشخیص و ردیابی از سونار و تصویر، رفع خطاهای ادراک در آزمون‌های واقعی و هماهنگی رابط‌ها با تیم‌های تعیین موقعیت و برنامه‌ریزی؛ آگهی Vatn با ۳ تا ۵ سال تجربه دقیقاً همین سطح است
مهندس ارشد ادراک
۵ سال به بالا
تعیین معماری و جهت فنی پشتهٔ ادراک، انتخاب حسگر با سنجیدن کارایی، توان و هزینه، ساخت چارچوب ارزیابی و منتورینگ؛ آگهی‌های ارشد Seasats و Anduril هر دو دست‌کم ۷ سال تجربه خواسته‌اند
Staff / Principal یا رهبر فنی
پس از سطح ارشد
رهبری ادراک از لایهٔ سخت‌افزار حسگر تا ترکیب چندحسگری برای کل ناوگان، تعیین استانداردهای مهندسی برای چند تیم، و در بعضی شرکت‌ها مدیریت مستقیم مهندسان (Anduril Australia از نامزد می‌خواهد به سمت نقش Tech-Lead-Manager رشد کند)
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
دادهٔ کم و برچسب‌خوردهٔ سونار
عمومیمرور مجموعه‌داده‌های سونار (arXiv، ۲۰۲۵) کمبود دادهٔ عمومی و خوب برچسب‌خوردهٔ سونار را گلوگاه مهمی برای مدل‌های یادگیری ماشین می‌داند. در عمل بخش بزرگی از کار، جمع‌آوری و سازمان‌دهی دادهٔ خود شرکت است؛ Pelagon هم برای همین از استراتژی داده و پیش‌آموزش روی دادهٔ بدون برچسب حرف می‌زند.
تصویر ضعیف زیر آب
تحقیقاتیطبق آزمایشگاه WARP در WHOI، جذب نور و پراکندگی برگشتی رنگ تصویر را خراب می‌کنند و روش‌های دقیق تصحیح رنگ برای استفادهٔ زمان واقعی روی AUV کندند. DeepSeeColor برای همین ساخته شد: کیفیتی نزدیک به Sea-thru با سرعت تا ۶۰ تصویر در ثانیه.
کار بدون GPS و با ارتباط محدود
عمومیVatn تعیین موقعیت بدون GPS را از چالش‌های ادراک وسیله‌های خودران می‌شمارد. Seasats می‌نویسد وسیله‌هایش در محیط‌های دورافتاده و اغلب با ارتباط محدود کار می‌کنند و باید بدون حضور انسان محیط را بفهمند، و Anduril از منطق مدیریت شرایط پیش‌بینی‌نشده وقتی به هیچ اپراتوری دسترسی نیست حرف می‌زند.
آزمون میدانی دشوار و پرهزینه
عمومیهر آزمون به وسیله، قایق و شرایط دریا وابسته است. آگهی‌های Vatn و Pelagon آزمون‌های واقعی را بخش ثابت کار می‌دانند، و ارزیابی در شبیه‌ساز و چارچوب ارزیابی پیش از دریا (آگهی Seasats) برای کم کردن این هزینه اهمیت پیدا می‌کند.
محدودیت سخت‌افزار روی ربات
استارتاپمدل باید با توان و پردازش محدود و در زمان واقعی اجرا شود. Seasats تجربهٔ کوانتیزه کردن و pruning و اجرای مدل روی سخت‌افزار لبه را می‌خواهد و Tocaro Blue از استقرار روی سخت‌افزار فقط-CPU و ARM64 حرف می‌زند.
شرط شهروندی و مجوز امنیتی
شرکت بزرگبسیاری از آگهی‌های دفاعی، به‌خصوص در آمریکا و استرالیا، شرط شهروندی یا مجوز امنیتی دارند: Vatn شهروندی آمریکا، Anduril مجوز Secret، Seasats «U.S. person» بودن به دلیل مقررات کنترل صادرات و Anduril Australia مجوز امنیتی NV2. برای کسی که این شرایط را ندارد، آبزی‌پروری، انرژی فراساحلی و پژوهش اقیانوس گزینه‌های واقع‌بینانه‌تری‌اند.
حقوق و بازار کار جهانی
حقوق جهانی مهندس ادراک رباتیک زیرآبی و دریایی
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, Perception Engineer (all industries), estimate updated Apr 2025: 25th–75th pct, average (89 salaries)
- Saildrone posting, Perception & Sensor Fusion Engineer (Alameda CA; years not stated), posted Sep 21, 2026: base salary range; median = midpoint
- Seasats posting, Senior Perception Software Engineer (San Diego CA, 7+ years), posted Jul 30, 2026: salary range; median = midpoint
- Anduril posting, Senior Software Engineer, Mission Perception, Planning, and Operations (Costa Mesa CA, 7+ years), posted Oct 20, 2026: base salary range; median = midpoint
- Glassdoor Canada, Computer Vision Engineer (proxy title, no underwater-specific data), estimate updated Oct 2026: 25th–75th pct, average (62 salaries)
- Glassdoor UK, Computer Vision Engineer (proxy title, no underwater-specific data), estimate updated Oct 2026: 25th–75th pct, average (83 salaries)
- Glassdoor India, Computer Vision Engineer (proxy title, no underwater-specific data), estimate updated Apr 2026: 25th–75th pct, average (301 salaries)
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: ROS 2 و ساختار نرم‌افزار ربات
اگر ROS 2 را نمی‌شناسید، از آموزش‌های رسمی شروع کنید و یک node ساده بنویسید که تصویر می‌گیرد و خروجی تشخیص منتشر می‌کند.
ماه ۲: سونار و نور در آب
اصول سونار را از DOSITS بخوانید و مقالهٔ Sea-thru و صفحهٔ DeepSeeColor را مطالعه کنید.
ماه ۳: پروژهٔ تصحیح رنگ و تشخیص ماهی
دو پروژهٔ اول پورتفولیو را با تصاویر FathomNet یا دادهٔ ماهی WHOI انجام دهید.
ماه ۴: پروژهٔ سونار
روی مجموعه‌دادهٔ سونار جلونگر یک مدل دسته‌بندی بسازید و خطاهایش را تحلیل کنید.
ماه ۵: شبیه‌ساز زیرآبی
در HoloOcean یک ربات با سونار، دوربین و DVL راه بیندازید و یک pipeline ادراک ساده را در آن بیازمایید.
ماه ۶: استقرار و درخواست کار
یکی از مدل‌ها را با TensorRT بهینه کنید، پروژه‌ها را با README روشن منتشر کنید و برای نقش‌های Perception Engineer و Computer Vision Engineer در شرکت‌های رباتیک دریایی اقدام کنید.
پروژه‌های پیشنهادی برای رزومه
تصحیح رنگ تصویر زیر آب
مبتدیروی تعدادی تصویر زیرآبی یک روش کلاسیک بهبود تصویر و یک روش مبتنی بر مدل تشکیل تصویر (مثل ایدهٔ Sea-thru یا DeepSeeColor) را پیاده کنید، نتیجه را کنار هم بگذارید و اثرش را روی دقت یک مدل تشخیص ساده بسنجید.
تشخیص و ردیابی ماهی در ویدیوی زیرآبی
متوسطبا مجموعه‌دادهٔ ماهی‌های صخره‌ای کارائیب از WHOI یا تصاویر FathomNet یک مدل تشخیص آموزش دهید و یک ردیاب چندشیئی رویش بگذارید. دقت تشخیص و پایداری ردیابی را با معیارهای استاندارد گزارش کنید.
دسته‌بندی اشیا روی تصویر سونار جلونگر
متوسطبا مجموعه‌دادهٔ Marine Debris (سونار forward-looking مدل ARIS) مدلی برای دسته‌بندی یا segmentation بسازید. چون داده کم است، اثر داده‌افزایی و مدل‌های کوچک را آزمایش کنید و خطاهای مدل را تحلیل کنید.
Visual odometry یا SLAM در شبیه‌ساز زیرآبی
پیشرفتهدر HoloOcean یا Stonefish یک ربات زیرآبی را با دوربین، IMU و DVL شبیه‌سازی کنید و یک pipeline تعیین موقعیت در ROS 2 بسازید. خطای مسیر تخمینی را با مسیر واقعی شبیه‌ساز مقایسه کنید و اثر کدری آب را نشان دهید.
pipeline کامل تشخیص و ردیابی روی Jetson
پیشرفتهمدل تشخیص پروژهٔ قبلی را با TensorRT بهینه کنید، داخل یک node در ROS 2 قرار دهید و تأخیر، مصرف حافظه و نرخ فریم را روی یک برد Jetson بسنجید. در README تصمیم‌های بهینه‌سازی و افت دقت را توضیح دهید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، مهندس مکانیک و اقیانوس‌شناس اهل ترکیه است. مهندسی هوافضا را در دانشگاه فنی خاورمیانه (METU) با رتبهٔ اول تمام کرد، کارشناسی ارشد هوانوردی را در MIT گرفت و مدتی مشاور تحلیل ریسک بود. بعد برای دکترای اقیانوس‌شناسی به مؤسسهٔ اقیانوس‌شناسی وودز هول رفت و آنجا روشی برای کالیبره و تصحیح کردن رنگ زیر آب ساخت.
الگوریتم Sea-thru را ساخت که اعوجاج و رنگ‌های نادرست تصاویر زیرآبی را برطرف می‌کند و برای این کار به چند تصویر RAW از یک صحنه از زاویه‌های مختلف نیاز دارد. در ۲۰۱۹ برای پیشرفت‌هایش در بینایی ماشین و تصویربرداری زیرآبی به فینال جایزهٔ Blavatnik برای دانشمندان جوان رسید.
مسیر او از هوافضا و تحلیل ریسک به تصویربرداری زیر آب رسید و حل یک مشکل مشخص، یعنی رنگ نادرست تصاویر زیرآبی، کارش را شناخته‌شده کرد. به نظر می‌رسد در این حوزه، تمرکز روی یک مسئلهٔ واقعی و مشخص از شروع با یک موضوع کلی مؤثرتر است.
طبق ویکی‌پدیا، کارشناسی علوم کامپیوتر را از Carnegie Mellon و دکترای رباتیک را از دانشگاه سیدنی گرفت و پسادکترایش را در مرکز رباتیک میدانی استرالیا (ACFR) و KTH گذراند. در ۲۰۱۳ به دانشکدهٔ معماری کشتی و مهندسی دریایی دانشگاه میشیگان پیوست و آزمایشگاه DROP (Deep Robot Optical Perception) را بنیان گذاشت.
در ۲۰۱۵ جایزهٔ NSF CAREER را برای کار روی بازسازی سه‌بعدی محیط‌های زیرآبی با AUV گرفت. پژوهشش بینایی ماشین و AI را هم برای وسیله‌های زیرآبی و هم برای خودروهای خودران به کار می‌برد. از ژانویهٔ ۲۰۲۲ تا آوریل ۲۰۲۵ مدیر مؤسسهٔ رباتیک Carnegie Mellon بود و از مه ۲۰۲۵ نخستین رئیس دانشکدهٔ Connected Computing در دانشگاه Vanderbilt است.
کار او نشان می‌دهد ادراک زیرآبی و ادراک خودروهای خودران از یک جنس‌اند؛ مهارتی که در یکی ساخته می‌شود به دیگری منتقل می‌شود و این برای کسی که از بینایی ماشین عمومی می‌آید، دلگرم‌کننده است.
طبق صفحهٔ رسمی‌اش در WHOI، کارشناسی و کارشناسی ارشد علوم کامپیوتر را از RPI و دکترا را در ۲۰۱۴ از دانشگاه McGill گرفت؛ پایان‌نامه‌اش دربارهٔ ادراک معنایی بدون نظارت و اکتشاف خودمختار ربات‌ها در محیط‌های بی‌ساختار بود. امروز Assistant Scientist در دپارتمان فیزیک و مهندسی کاربردی اقیانوس WHOI است و صفحه‌اش به وب‌سایت آزمایشگاه رباتیک خودمختار و ادراک WHOI (WARP) پیوند می‌دهد.
CUREE، پروژه‌ای از همین آزمایشگاه با نویسندگی اول او، رباتی زیرآبی برای اکتشاف اکوسیستم که یک نفر می‌تواند آن را در چمدان هواپیما ببرد و به کار بیندازد. طبق صفحهٔ پروژه، CUREE در جزایر ویرجین آمریکا با ترکیب مشاهده‌های صوتی و تصویری زیستگاه میگوهای تفنگی را تشخیص داد و یک باراکودا را هنگام شکار ردیابی کرد. DeepSeeColor، روش تصحیح رنگ زمان واقعی برای AUV، هم کار همین آزمایشگاه است.
پروژه‌های او از دادهٔ واقعی میدانی و یک نیاز علمی مشخص، یعنی پایش صخره‌های مرجانی، شروع می‌شوند. برای تازه‌واردها، کار با مجموعه‌داده‌ها و کدهای منتشرشدهٔ چنین آزمایشگاه‌هایی راه خوبی برای ورود به این حوزه است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Perception Engineer
تحلیل نیازمندی‌ها
3–5 years of experience in robotics perception, computer vision, or autonomous systems.
این نقش سطح میانی است. نکتهٔ مهم «یا» است: تجربهٔ بینایی ماشین یا سیستم‌های خودمختار در خشکی هم پذیرفته می‌شود و لازم نیست قبلاً زیر آب کار کرده باشید.
ضروریProficient in C++ for real-time, production-grade robotics software.
کد شما روی خود وسیله و در زمان واقعی اجرا می‌شود. باید با مدیریت حافظه، چندنخی و کد کارا راحت باشید، نه فقط با نوشتن مدل در Python.
ضروریSolid ROS / ROS 2 experience, experience with commercial grade robotic systems.
نرم‌افزار ادراک به‌صورت nodeهای ROS 2 نوشته می‌شود. تجربهٔ کار با ربات واقعی و تجاری، نه فقط پروژهٔ دانشگاهی، امتیاز مهمی است.
ضروریExperience with 3D sensor data — LiDAR point clouds, depth estimation, or multi-sensor fusion. Marine sensor experience is a big plus!
کار با دادهٔ سه‌بعدی و ترکیب حسگرها شرط است و LiDAR یا تخمین عمق هم پذیرفته می‌شود. تجربهٔ حسگرهای دریایی مثل سونار فقط امتیاز است؛ یعنی می‌شود این بخش را سر کار یاد گرفت.
ضروریWorking knowledge of deep learning frameworks (PyTorch preferred) for detection or segmentation tasks.
باید بتوانید مدل تشخیص یا segmentation را آموزش دهید و ارزیابی کنید. «Working knowledge» یعنی سطح کاربردی کافی است، نه پژوهشی.
مهمUnderstanding of 3D geometry, sensor calibration, and coordinate frame transformations.
خروجی سونار و دوربین باید در دستگاه مختصات وسیله و دنیا درست قرار بگیرد. بسیاری از خطاهای ادراک از کالیبراسیون یا تبدیل اشتباه مختصات می‌آیند، نه از مدل.
مهمWillingness to work on-site and participate in physical vehicle test sessions.
این کار دورکار نیست و آزمون واقعی وسیله بخشی از آن است. اگر کار میدانی را دوست ندارید، این نقش برایتان مناسب نیست.
ضروریUS Citizen and ability to gain a security clearance.
شرطی رایج در شرکت‌های دفاعی آمریکا. برای کسی که شهروند آمریکا نیست، این آگهی بیشتر الگویی از مهارت‌های لازم است تا گزینهٔ درخواست.
ضروریKnowledge of TensorRT or other inference optimization tools for real-time deployment.
در بخش ترجیحی آمده است. نشان می‌دهد مدل باید روی سخت‌افزار محدود وسیله سریع اجرا شود؛ یک پروژهٔ پورتفولیو روی Jetson اینجا به کار می‌آید.
مفیدتحلیل مسئولیت‌ها
Implement and maintain real-time perception pipelines on autonomous vehicle platforms.
مسئولیت فقط ساختن نیست، نگهداری هم هست: pipeline باید ماه‌ها روی وسیله پایدار کار کند و با هر تغییر حسگر یا نرم‌افزار به‌روز شود.
Develop algorithms for obstacle detection, classification, and multi-object tracking.
سه کار اصلی ادراک: پیدا کردن مانع، فهمیدن اینکه چیست و دنبال کردنش در طول زمان. ردیابی معمولاً به روش‌های احتمالاتی مثل فیلتر کالمن نیاز دارد.
Write and maintain ROS 2 nodes and packages for on-vehicle perception software.
نرم‌افزار شما بخشی از یک سیستم بزرگ‌تر است. نوشتن node تمیز، با پیام‌ها و تست‌های مشخص، مهارتی روزمره است.
Utilize Python and C++ to develop and implement algorithms for obstacle detection, classification, and multi-object tracking.
معمولاً ایده با Python آزموده می‌شود و نسخهٔ نهایی روی وسیله با C++ اجرا می‌شود. باید در هر دو راحت باشید.
Participate in on-site vehicle testing and debugging of real-world perception failures.
خطاهای واقعی، مثل نویز سونار یا آب کدر، فقط در آزمون دیده می‌شوند. پیدا کردن علت این خطاها از روی لاگ و داده بخش مهمی از کار است.
Collaborate with localization, prediction, and planning teams to ensure clean perception interfaces.
خروجی ادراک ورودی تیم‌های دیگر است. باید با آن‌ها توافق کنید چه چیزی، با چه قالب و چه میزان اطمینانی تحویل داده شود.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از این شغل می‌دهد: مهندس ادراک رباتیک با ۳ تا ۵ سال تجربه که با C++، Python و ROS 2 روی داده‌های سونار و تصویر، تشخیص و ردیابی زمان واقعی می‌سازد و در آزمون‌های واقعی وسیله حضور دارد. تجربهٔ دریایی شرط نیست و فقط امتیاز است. شرط شهروندی آمریکا هم نشان می‌دهد بخش دفاعی این بازار برای همه باز نیست. آگهی بازهٔ حقوق اعلام نکرده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
آمار رسمی جداگانه‌ای برای ادراک رباتیک زیرآبی وجود ندارد. نزدیک‌ترین نشانه‌ها در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF) آمده است: کارفرمایان «متخصصان AI و یادگیری ماشین» را سومین شغل پررشد (از نظر درصد) از ۲۰۲۵ تا ۲۰۳۰ دانسته‌اند و «Robotics Engineers» در نمودار رشد مشاغل همین گزارش درست پس از فهرست ۱۵ شغل پررشد آمده است. این‌ها گروه‌های گسترده‌اند و تعداد شغل‌های ادراک زیرآبی را نشان نمی‌دهند.
منبع: WEF Future of Jobs Report 2025 (Figures 2.2 and 2.3; proxies)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان «متخصصان AI و یادگیری ماشین» را سومین شغل پررشد تا ۲۰۳۰ دانسته‌اند. به گفتهٔ همین گزارش، سریع‌ترین رشدها بیشتر از پیشرفت‌های فناوری، از جمله AI و رباتیک، می‌آید.
در نمودار رشد و افول مشاغل ۲۰۲۵ تا ۲۰۳۰ همان گزارش WEF، «Robotics Engineers» پس از فهرست ۱۵ شغل پررشد آمده است.
این بازار کوچک است و آگهی‌هایش در چند شرکت و چند شهر متمرکزند، پس انعطاف در جابه‌جایی و عنوان شغلی مهم است. بخش بزرگی از تقاضا از بخش دفاعی می‌آید که در آمریکا و استرالیا اغلب شرط شهروندی یا مجوز امنیتی دارد؛ بنابراین وابستگی به بودجه‌های دفاعی هم یک ریسک است. نقطهٔ قوت این مسیر این است که مهارت‌هایش، یعنی ادراک، ردیابی، SLAM و استقرار روی لبه، در خودروهای خودران و رباتیک خشکی هم به کار می‌آیند.
منابع
اطلاعات این صفحه در تاریخ ۱ آبان ۱۴۰۵ از این ۳۷ منبع بررسی شده است.
- Perception Engineer — Vatn Systems (job posting)
- Senior Software Engineer, Mission Perception, Planning, and Operations — Anduril (job posting)
- Senior Machine Learning Engineer (XL-AUV program) — Anduril Australia (job posting)
- Computer Vision Engineer: Underwater Robotics — Remora Robotics (Open Robotics Discourse jobs)
- Remora Robotics — company site
- Senior Data Scientist (Computer Vision, Robotics and Autonomy) — Oceaneering (LinkedIn)
- AI Applied Researcher — Pelagon (LinkedIn)
- Perception & Sensor Fusion Engineer — Saildrone (job posting)
- Perception Engineer — Saildrone (job posting)
- Perception Machine Learning Engineer — Saildrone (job posting)
- Staff Software Engineer, Perception — Saildrone (job posting)
- Staff Software Engineer, Machine Learning — Saildrone (job posting)
- Senior Perception Software Engineer — Seasats (LinkedIn)
- Senior Machine Learning Engineer — Seasats (LinkedIn)
- Senior Machine Learning Engineer — Tocaro Blue (LinkedIn)
- Ingénieur Perception de l'environnement Maritime SIREHNA — Naval Group (LinkedIn)
- Robotics Software Engineer – Maritime Robotics – Signal Processing (Subsea NDT / AUV) — Rosenxt (LinkedIn)
- Engineering Technician (REMUS Engineering Assistant III) — WHOI (LinkedIn)
- Field Technician ROV — Oceaneering (LinkedIn)
- Glassdoor — Perception Engineer salary, United States
- Glassdoor — Computer Vision Engineer salary, Canada
- Glassdoor — Computer Vision Engineer salary, United Kingdom
- Glassdoor — Computer Vision Engineer salary, India
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Derya Akkaynak — Wikipedia
- Matthew Johnson-Roberson — Wikipedia
- Dr. Yogi Girdhar — WHOI staff page
- CUREE: A Curious Robot for Ecosystem Exploration — WHOI WARP Lab
- DeepSeeColor — WHOI WARP Lab
- Sea-Thru: A Method for Removing Water From Underwater Images (CVPR 2019)
- Sonar Image Datasets: A Comprehensive Survey of Resources, Challenges, and Applications (arXiv)
- DOSITS — How is sound used to find objects on the ocean bottom?
- DOSITS — How is sound used to navigate underwater?
- SeaSplat — WHOI WARP Lab
- WHOI Caribbean Reef Fish Detection Dataset — WHOI WARP Lab
- FathomNet — About
- HoloOcean documentation (BYU FRoSt Lab)