Hydrobatic Autonomous Underwater Vehicles (AUVs) are underactuated robots that can perform agile maneuvers in challenging underwater environments with high efficiency in speed and range. The challenge lies in localizing and navigating these AUVs particularly for performing manipulation tasks because common sensors such as GPS become very unreliable underwater due to their poor accuracy. To address this challenge, Visual Odometry (VO) is a viable technique that estimates the position and orientation of a robot by figuring out the movement of a camera and tracking the changes in the associated camera images taken by one or more cameras. VO is a promising solution for underwater localization as it provides information about egomotion utilizing the visual cues in a robot. This research explores the applicability of VO algorithms on hydrobatic AUVs using a simulated underwater dataset obtained in Stonefish, an advanced open-source simulation tool specifically developed for marine robotics. This work focuses on the feasibility of employing two state-of-the-art feature-based VO frameworks, referred to as ORB-SLAM2 and VISO2 respectively since very little research is available for learning-based VO frameworks in underwater environments. The assessment is performed on a baseline underwater dataset captured by cameras of a hydrobatic AUV using the Stonefish simulator in a simulated algae farm, which is one of the target applications of hydrobatic AUVs. A novel software architecture has also been proposed for hydrobatic AUVs, which can be used for integrating VO with other components as a node stack to ensure robust localization. This study further suggests enhancements, including camera calibration and timestamp synchronization, as a future step to optimize VO accuracy and functionality. ORB-SLAM2 performs well in the baseline scenario but is prone to slight drift when turbidity arises in the simulated underwater environment. VISO2 is recommended for such high turbidity scenarios but it fails to estimate the camera motion accurately due to advanced hardware synchronization issues that are prevalent in the dataset as it is highly sensitive to accurate camera calibration and synchronized time stamps. Despite these limitations, the results show immense potential of both ORB-SLAM2 and VISO2 as feature-based VO methods for future deployment in hydrobatic AUVs with ORB-SLAM2 being preferred for overall localization and mapping of hydrobatic AUVs in low turbidity environments that are less prone to drift and VISO2 preferred for high turbidity environments with highly accurate camera calibration and synchronization. / Hydrobatiskt autonomt undervatten Fordon (AUV) är undermanövrerade robotar som kan utföra smidiga manövrar i utmanande undervattensmiljöer med hög effektivitet i hastighet och räckvidd. Utmaningen ligger i att lokalisera och navigering av dessa AUV:er speciellt för att utföra manipulationsuppgifter eftersom vanliga sensorer som GPS blir mycket opålitliga under vattnet på grund av deras dåliga noggrannhet. För att ta itu med detta utmaning, Visual Odometry (VO) är en användbar teknik som uppskattar positionen och orienteringen av en robot genom att räkna ut en kameras rörelse och spåra ändringarna i den tillhörande kameran bilder tagna med en eller flera kameror. VO är en lovande lösning för undervattenslokalisering som den ger information om egomotion med hjälp av de visuella ledtrådarna i en robot. Denna forskning utforskar tillämpbarheten av VO-algoritmer på hydrobatiska AUV:er med hjälp av en simulerad undervattensdatauppsättning erhållen i Stonefish, ett specifikt avancerat simuleringsverktyg med öppen källkod utvecklad för marin robotik. Detta arbete fokuserar på genomförbarheten av att använda två toppmoderna funktionsbaserade VO-ramverk, kallade ORB-SLAM2 respektive VISO2 sedan mycket lite forskning finns tillgänglig för inlärningsbaserade VO-ramverk i undervattensmiljöer. De bedömning utförs på en baslinje undervattensdatauppsättning fångad av kameror från en hydrobatik AUV med hjälp av Stonefish-simulatorn i en simulerad algfarm, vilket är en av målapplikationerna av hydrobatiska AUV:er. En ny mjukvaruarkitektur har också föreslagits för hydrobatiska AUV, som kan användas för att integrera VO med andra komponenter som en nodstack för att säkerställa robust lokalisering. Denna studie föreslår ytterligare förbättringar, inklusive kamerakalibrering och tidsstämpel synkronisering, som ett framtida steg för att optimera VO-noggrannhet och funktionalitet. ORB-SLAM2 presterar bra i baslinjescenariot men är benägen att avvika något när grumlighet uppstår i den simulerade undervattensmiljön. VISO2 rekommenderas för sådana scenarier med hög grumlighet men den misslyckas med att uppskatta kamerarörelsen korrekt på grund av avancerad hårdvarusynkronisering problem som är vanliga i datasetet eftersom det är mycket känsligt för noggrann kamerakalibrering och synkroniserade tidsstämplar. Trots dessa begränsningar visar resultaten en enorm potential för båda ORB-SLAM2 och VISO2 som funktionsbaserade VO-metoder för framtida användning i hydrobatiska AUV:er med ORB-SLAM2 att föredra för övergripande lokalisering och kartläggning av hydrobatiska AUVs i låg grumlighetsmiljöer som är mindre benägna att driva och VISO2 föredras för hög grumlighet miljöer med mycket noggrann kamerakalibrering och synkronisering.