ヒューマノイドが「見て・理解して・動く」ための目の技術。マシンビジョン（コンピュータビジョン・画像認識・3Dビジョン）エンジニアはロボット業界で最も競争的に採用される技術者。
マシンビジョン（コンピュータビジョン）は、ヒューマノイドロボットが外部環境を認識するための根幹技術です。カメラ・LiDAR・深度センサー（RealSense・Azure Kinect等）から取得した視覚情報を解析し、物体の位置・姿勢・種類・移動予測を行い、ロボットの行動計画に入力する一連の処理を担います。
Tesla Optimusはカメラのみ（LiDARなし）のTesla Vision方式を採用し、End-to-Endニューラルネットワークで環境を認識。Boston Dynamics AtlasはLiDAR＋ステレオカメラ・点群処理（Point Cloud）でリアルタイム3D認識を実現。Unitree G1は複数カメラ＋深度センサーの融合処理で障害物回避・物体把持を実装しています。各社のアーキテクチャは異なりますが、共通してOpenCV・YOLO系・FoundationPose・Segment Anything Model（SAM）等が活用されています。
日本国内ではファナック・安川電機・キーエンス・オムロン等の産業用マシンビジョン大手から、ヒューマノイド向けPerception開発への転身需要が急増中。3Dビジョン・SLAM・物体姿勢推定の経験者は業界最高水準の待遇で迎えられます。
ロボットの「目」を作る技術者は世界中で奪い合い。自動運転・工場検査・ヒューマノイドで同時に需要爆発しており、特に3DビジョンとSLAMの両方ができる技術者は最高年収帯に到達できる。
YOLO・RT-DETR・GroundingDINOで物体の位置・クラスをリアルタイム検出。ロボットの把持対象物・障害物・人物を識別する基本パイプライン。
FoundationPose・MegaPose・SAM6Dで物体の位置と向きを推定。ロボットアームの把持計画（グラスププランニング）に必須。
ORB-SLAM3・LOAM・LIO-SAMで未知環境の地図構築と自己位置推定を同時実行。ヒューマノイドの室内移動・ナビゲーションに不可欠。
OpenPose・MediaPipeでの骨格推定→人物の動作・意図認識。ヒューマノイドが人間と安全に共存するためのHRI（Human-Robot Interaction）技術。
Intel RealSense・Microsoft Azure KinectのSDK＋点群処理ライブラリ（PCL・Open3D）で3D環境マッピング・物体形状推定を実装。
1〜3年目: OpenCVによる2D画像処理・YOLO系物体検出の実装経験
3〜5年目: 3Dビジョン・SLAM・姿勢推定のロボット統合実装
5〜8年目: Perceptionアーキテクチャ全体設計・大規模データパイプライン構築
8年目以降: 自動運転・ヒューマノイドのPerceptionリード・Principal Engineer
はい、非常に高い市場価値があります。産業用マシンビジョン（ファナック・キーエンス・オムロン等）の経験は、ヒューマノイドロボットのPerception開発に直結します。特に(1) カメラキャリブレーション・画像処理の基礎知識、(2) 物体検出・寸法測定の実装経験、(3) リアルタイム処理・組込みシステムの最適化経験、は高く評価されます。ヒューマノイド向けには追加でROS2・3DビジョンのキャッチアップがあればOKで、多くの企業が入社後の研修で対応しています。
マシンビジョン（Machine Vision）は主に産業用途（工場の外観検査・寸法測定・バーコード読取り）に特化した画像処理技術を指し、ファナック・キーエンス・コグネックス等が専業メーカーです。コンピュータビジョン（Computer Vision）はより広義で、深層学習を活用した画像認識・動画解析・3D理解全般を含みます。ヒューマノイドロボット業界ではコンピュータビジョン（特にDeep Learning Vision）の経験が求められますが、マシンビジョン経験者の基礎スキルは十分通用します。
まずマシンビジョン（2D画像処理・物体検出）を基盤として固め、次に3DビジョンとSLAMを学ぶのが効率的なルートです。推奨学習ステップ: (1) OpenCV＋Pythonで基礎画像処理、(2) YOLOv8のFine-tuningで物体検出、(3) Intel RealSense＋PCLで点群処理、(4) ORB-SLAM3のセットアップと実行、(5) ROS2でのビジョンパイプライン統合、の順番で半年〜1年で実務水準に到達できます。
国内ロボット企業（産業用・ヒューマノイド）で年収600万〜1,500万円が標準。自動運転（ウーブン・アルファ・TRI等）では年収1,000万〜2,500万円。Tesla・Boston Dynamics・Figure AIの本社採用ではTotal Comp $200K〜$600K（約3,000万〜9,000万円）が相場です。3Dビジョン＋SLAMの両方ができる技術者はどのカテゴリでも最高水準の待遇が提示されます。
採用担当者が重視するポートフォリオは、(1) 独自データセットでのYOLO系モデルのFine-tuningと精度検証（GitHub公開）、(2) RealSenseを使った点群取得→物体認識のデモ動画、(3) ORB-SLAM3またはRTABマップを使った室内3D地図生成、(4) ROS2 imageパイプラインへの統合実装、です。精度の数値よりも「実際に動くものを作った経験」と「エンジニアとしてのコードの品質」が評価されます。GitHubのREADMEにデモGIFを掲載するだけで印象が大きく変わります。
