- Страна
- Финляндия
Senior Sensor Data Engineer
Привлекательная вакансия для Senior-специалиста в области робототехники и сенсоров с возможностью релокации в Финляндию. Работа над сложным физическим продуктом в штаб-квартире компании.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Высокая сложность обусловлена необходимостью глубоких знаний на стыке софта и физики сенсоров, включая калибровку и понимание влияния вибраций/температур на данные. Требуется опыт работы с реальным оборудованием и ML-системами.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Зарплата не указана, но для Senior-позиций в области системной инженерии и робототехники в Хельсинки рыночный диапазон составляет от 5500 до 7500 евро в месяц. Предложение будет зависеть от глубины экспертизы в калибровке и работе с HW.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
You are a senior engineer who owns the platform, sets the standard for what good data looks like, and can turn what the team needs into sensor and hardware requirements. You back your decisions with measurement, and you validate the setup under real-world conditions, not just on the bench.
We're looking for knowledge and hands-on experience across all of the following:
\* Strong software engineering skills in Python and/or C++.
\* Strong understanding of sensor technology & data quality and the physical effects that drive it, including vibration, thermal expansion, sensor thermal dynamics, focus, calibration, synchronization, and mechanical tolerances.
\* Intrinsics and extrinsics calibration, ideally including multi-sensor/multi-modal calibration (e.g. lidar, thermal, radar, visible/NIR/SWIR).
\* Understanding of the data needs of ML systems, including dataset quality, coverage, bias, edge cases, ground truth, and how sensor characteristics propagate into model performance.
Communication counts as much as the engineering here, inside the team and across it. You'll coordinate upgrades with the hardware team and make sensor recommendations to the programs that rely on your data, so you're comfortable explaining your reasoning to people outside perception too.
It's a plus, though not expected, if you bring one or more of the following: multi-sensor recording systems (e.g. ROS2, rosbag, MCAP); machine vision cameras and networking (e.g. GigE Vision, GenICam, 10GigE, PoE); time synchronization for multi-sensor setups (PTP, PPS, hardware triggers, exposure timestamps); versioned datasets and cloud pipelines (e.g. GCS); IMU calibration (e.g. Kalibr, LI-init); frame grabbers, CAN bus and automotive data recorders; or experience with automotive or robotics data collection vehicles.
This role is based at our Helsinki HQ and is mostly onsite, since the work happens at the physical hardware. We would expect around four days a week at the HQ. Strong English is essential, Finnish is not required. B-class driver's license is seen beneficial. We support relocation for the right person.
DID WE GET YOU INTERESTED?
Apply via the application form! Our recruitment process includes 2-3 discussions with the team. If you want to learn more about the position, reach out to our recruiter, Откликнуться . Kindly note that, for data privacy reasons, we are not able to process applications sent via email.
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- C++
- ROS2
- LiDAR
- Radar
- Calibration
- Machine Vision
- CAN bus
- PTP
- Machine Learning
Возможные вопросы на собеседовании
Проверка понимания физических факторов, влияющих на точность данных.
Как вы учитываете тепловое расширение и вибрации при проектировании системы калибровки для мультимодальных сенсоров?
Оценка навыков работы с временной синхронизацией в распределенных системах.
Какие методы синхронизации (PTP, PPS, триггеры) вы бы выбрали для системы с лидаром и несколькими камерами, и почему?
Связь характеристик сенсоров с качеством обучения моделей.
Как конкретные характеристики сенсора (например, шум или динамический диапазон) влияют на производительность ML-моделей восприятия в ваших проектах?
Проверка опыта в калибровке различных типов данных.
Расскажите о вашем опыте калибровки внутренних и внешних параметров (intrinsics/extrinsics) для систем, включающих тепловизоры или радары.
Оценка коммуникативных навыков и взаимодействия с HW-командой.
Опишите случай, когда вам пришлось убеждать команду разработчиков оборудования изменить спецификации сенсоров на основе анализа данных.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

