Refine chapter "About" copy · add Ph.D. to English author title

Korean copy reworded with the maintainer's wording for chapters 1–3,
5, 8–10. English versions enhanced to match the same depth (e.g.
expanded Voxelization rationale, RANSAC's full name, ICP framed as
local registration). Cluster description no longer mentions the color-
stability mechanism. English author title now reads "Hyungtae Lim, Ph.D."

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

Author: LimHyungTae

web/src/i18n/locales/en.ts

@@ -32,7 +32,7 @@ export const en = {
   },
   author: {
     toggle: "How's Hyungtae Lim?",
-    title: "Hyungtae Lim",
+    title: "Hyungtae Lim, Ph.D.",
     role: "Postdoctoral Associate · MIT SPARK Lab",
     focus: "Focuses on robust perception, simultaneous localization and mapping (SLAM), and state estimation.",
     bio: "Hyungtae Lim is a Postdoctoral Associate at MIT's SPARK Lab, working with Prof. Luca Carlone. He received his Ph.D. in Electrical Engineering from KAIST in 2023, advised by Prof. Hyun Myung. His research focuses on robust perception, state estimation, and lifelong mapping for mobile robots and autonomous vehicles. He is a recipient of the RSS Pioneers 2024 award and the 2022 IEEE RA-L Best Paper Award, an Associate Editor for IEEE RA-L, and the author of widely used open-source LiDAR-based libraries.",
@@ -175,7 +175,7 @@ export const en = {
       title: "Transformation",
       subtitle: "Apply a 4×4 rigid transform — translate and rotate the cloud.",
       about:
-        "Apply a 4×4 rigid transform T = [R | t; 0 | 1] to every point. The same operation behind point-cloud registration, multi-sensor fusion and world ↔ body frame conversions.",
+        "Applying a 4×4 rigid transform T = [R | t; 0 | 1] to every point is called transformation; the 4×4 matrix itself is the transformation matrix. It's the foundational operation behind point-cloud registration, multi-sensor fusion, and world ↔ body frame conversions — found in essentially every SLAM pipeline.",
       params: [
         { name: "tx / ty / tz", desc: "Translation along each axis (meters).", effect: "" },
         { name: "rx / ry / rz", desc: "Euler rotation in degrees, applied as Rz · Ry · Rx.", effect: "" },
@@ -185,7 +185,7 @@ export const en = {
       title: "Voxelization",
       subtitle: "Voxel-grid downsampling — drag the leaf size slider.",
       about:
-        "Voxel-grid filtering discretizes 3D space into uniform cubic cells and replaces every cell's points with their centroid. A staple preprocessing step — fast, deterministic, and preserves overall shape.",
+        "Voxel-grid filtering (a.k.a. voxelization) discretizes 3D space into uniform cubic cells and replaces every cell's points with a single centroid. It's the most common first step in any point cloud pipeline — it strips redundant points so downstream algorithms run far faster while the overall shape stays intact.",
       params: [
         {
           name: "leaf size",
@@ -198,7 +198,7 @@ export const en = {
       title: "PassThrough",
       subtitle: "Crop the cloud with an axis-aligned interval filter.",
       about:
-        "PassThrough is the simplest spatial filter: keep points whose value along one axis falls inside an interval (or, with negative=true, drop them).",
+        "PassThrough keeps points whose value along one axis falls inside [min, max] (or, with negative=true, drops them). Common uses: stripping the floor in flat indoor scenes, or trimming away points sitting too high above an autonomous vehicle to matter for driving decisions.",
       params: [
         { name: "axis", desc: "Spatial axis the filter runs along.", effect: "" },
         {
@@ -231,7 +231,7 @@ export const en = {
       title: "Radius Search",
       subtitle: "All neighbors of a query point within a given radius (KdTree).",
       about:
-        "KdTree-accelerated query: return every point within a fixed radius of a query position. Click any point in the viewer to set the query.",
+        "Use a KdTree to return every point within a fixed radius of a query position. Click any point in the viewer to move the query there.",
       params: [
         {
           name: "query x / y / z",
@@ -281,7 +281,7 @@ export const en = {
       title: "Iterative Closest Point",
       subtitle: "Step through correspondences and pose updates one iteration at a time.",
       about:
-        "ICP alternates two steps: (1) for each src point find the nearest tgt point, (2) solve the rigid (R, t) that best aligns those pairs (Procrustes / SVD). Repeat until convergence.",
+        "Iterative Closest Point (ICP) is a local registration method that, on each iteration, treats the nearest tgt point of every src point as a valid correspondence and optimizes from there. The two-step loop: (1) for each src point find the nearest tgt point, (2) solve the rigid (R, t) that best aligns those pairs (Procrustes / SVD). Repeat until the pose update drops below a threshold.",
       params: [
         {
           name: "max correspondence distance",
@@ -296,7 +296,7 @@ export const en = {
       title: "RANSAC Plane Segmentation",
       subtitle: "Find the dominant plane (e.g. ground) and split inliers / outliers.",
       about:
-        "RANSAC samples 3 random points to fit a plane, scores it by the number of inliers (within `threshold`), and keeps the best across many trials. The classic ground / wall / table extractor.",
+        "RANSAC (Random Sample Consensus) repeatedly picks 3 random points to fit a plane, counts how many other points lie within `threshold` of that plane (inliers), and keeps the plane with the most inliers. The classic, robust extractor for ground, walls, and tabletops.",
       params: [
         {
           name: "distance threshold",
@@ -314,7 +314,7 @@ export const en = {
       title: "Euclidean Clustering",
       subtitle: "Connected-component grouping by spatial proximity.",
       about:
-        "Group points by spatial proximity: BFS that connects any two points within `tolerance`. Cluster colors stay stable across slider changes by matching centroids to the previous frame.",
+        "Grouping spatially adjacent points into a single object is called clustering. Here, a BFS connects any two points within `tolerance` and assigns them to the same cluster.",
       params: [
         {
           name: "tolerance",

web/src/i18n/locales/ko.ts

@@ -177,7 +177,7 @@ export const ko: LocaleDict = {
       title: "Transformation",
       subtitle: "4×4 강체 변환 — 평행이동과 회전을 슬라이더로 직접 적용.",
       about:
-        "모든 점에 4×4 강체 변환 T = [R | t; 0 | 1]을 적용. 정합·센서 fusion·world ↔ body 좌표계 변환 등 거의 모든 SLAM 파이프라인의 토대가 되는 연산.",
+        "모든 점에 4×4 강체 변환 T = [R | t; 0 | 1]을 적용하는 연산을 transformation이라고 부르며, 이 4×4 행렬을 transformation matrix라고 부릅니다. 정합 · 센서 fusion · world ↔ body 좌표계 변환 등 거의 모든 SLAM 파이프라인의 토대가 되는 기본 연산입니다.",
       params: [
         { name: "tx / ty / tz", desc: "각 축 방향 평행이동 (미터).", effect: "" },
         { name: "rx / ry / rz", desc: "Euler 회전각 (도). Rz · Ry · Rx 순으로 합성.", effect: "" },
@@ -187,7 +187,7 @@ export const ko: LocaleDict = {
       title: "Voxelization",
       subtitle: "Voxel grid 다운샘플링 — leaf size를 슬라이더로.",
       about:
-        "Voxel-grid 필터는 3차원 공간을 균일한 정육면체 셀로 나누고, 각 셀의 점들을 그 centroid 한 점으로 대체합니다. 빠르고 결정적이며 전체 형태를 잘 보존하는 가장 기본적인 전처리.",
+        "Voxel-grid 필터(voxelization)는 3차원 공간을 균일한 정육면체 셀로 나누고, 각 셀에 들어가는 점들을 그 centroid 한 점으로 대체합니다. 거의 모든 point cloud 처리 파이프라인의 첫 전처리 단계로 사용되며, redundant한 점 수를 줄여 뒤이은 알고리즘의 연산 효율을 크게 높여줍니다.",
       params: [
         {
           name: "leaf size",
@@ -200,7 +200,7 @@ export const ko: LocaleDict = {
       title: "PassThrough",
       subtitle: "축별 박스 필터로 cloud 잘라내기.",
       about:
-        "PassThrough는 가장 간단한 공간 필터: 한 축의 좌표가 [min, max] 구간 안에 들어가는 점만 남기거나(혹은 negative 옵션으로) 빼냅니다.",
+        "PassThrough 필터는 한 축의 좌표가 [min, max] 구간 안에 들어가는 점만 남기거나(또는 negative 옵션으로) 빼냅니다. 평평한 실내 환경에서 바닥을 빠르게 제거하거나, 야외 주행에서 도로 판단과 무관한 높이의 점들을 사전에 잘라낼 때 자주 사용됩니다.",
       params: [
         { name: "axis", desc: "필터를 적용할 공간 축.", effect: "" },
         { name: "min / max", desc: "구간 경계 (미터).", effect: "넓을수록 더 많이 남음." },
@@ -229,7 +229,7 @@ export const ko: LocaleDict = {
       title: "Radius Search",
       subtitle: "쿼리 점의 반경 내 이웃 (KdTree).",
       about:
-        "KdTree로 가속된 쿼리: 주어진 쿼리 점 주변 반경 내의 모든 이웃을 반환. 뷰어의 점을 클릭하면 쿼리 점이 그 위치로 옮겨집니다.",
+        "KdTree를 활용해 주어진 쿼리(query) 점 주변 반경 내의 모든 이웃을 반환합니다. 뷰어의 점을 클릭하면 쿼리 점이 그 위치로 옮겨집니다.",
       params: [
         {
           name: "query x / y / z",
@@ -275,7 +275,7 @@ export const ko: LocaleDict = {
       title: "Iterative Closest Point",
       subtitle: "Step / Play로 매 iteration의 짝 찾기 → pose update를 직접 관찰.",
       about:
-        "ICP는 두 단계를 반복: (1) 각 src 점의 nearest tgt 점 찾기, (2) 매칭된 pair들에 가장 잘 맞는 강체 (R, t)를 SVD로 추정 (Procrustes). 변화량이 임계값 아래로 떨어질 때까지 반복.",
+        "Iterative Closest Point(ICP)는 매 iteration마다 가장 인접한 점을 유효한 대응(correspondence)으로 보고 최적화하는 local registration 기법입니다. (1) 각 src 점의 nearest tgt 점 찾기, (2) 매칭된 pair들에 가장 잘 맞는 강체 (R, t)를 SVD로 추정(Procrustes)하는 두 단계로 구성되며, pose 변화량이 임계값 아래로 떨어질 때까지 반복합니다.",
       params: [
         {
           name: "max correspondence distance",
@@ -290,7 +290,7 @@ export const ko: LocaleDict = {
       title: "RANSAC Plane Segmentation",
       subtitle: "주된 plane(예: 지면)을 찾아 inlier/outlier로 분리.",
       about:
-        "RANSAC: 무작위로 3점을 뽑아 plane을 만들고, 그 plane에서 threshold 이내의 점을 inlier로 셉니다. 가장 많은 inlier를 가진 plane을 채택. 지면 · 벽 · 테이블 추출의 고전.",
+        "RANSAC(Random Sample Consensus)을 활용해 무작위로 3점을 뽑아 plane을 만들고, 그 plane에서 threshold 이내에 들어오는 점을 inlier로 셉니다. 가장 많은 inlier를 갖는 plane을 채택하며, 지면 · 벽 · 테이블 추출에 널리 쓰이는 고전적인 방법입니다.",
       params: [
         {
           name: "distance threshold",
@@ -308,7 +308,7 @@ export const ko: LocaleDict = {
       title: "Euclidean Clustering",
       subtitle: "공간 인접성으로 연결된 점들끼리 묶기.",
       about:
-        "공간 인접성으로 점을 묶기: tolerance 이내로 연결된 점들끼리 같은 cluster. 슬라이더 변경에도 cluster 색은 centroid 매칭으로 유지됩니다.",
+        "공간 상에 인접한 점들을 하나의 객체로 묶는 작업을 clustering이라고 부릅니다. 여기서는 BFS로 tolerance 이내로 연결된 점들을 같은 cluster로 묶습니다.",
       params: [
         {
           name: "tolerance",