Global navigation satellite system (GNSS) positioning in urban areas does not currently provide accurate and stable performance because surrounding buildings can block and reflect satellite signals. However, if we can determine the environment in which the receiver is located, appropriate positioning can be applied. For example, GNSS real-time kinematic and 3D-mapping-aided GNSS (3DMA GNSS) are used for positioning in open sky and urban areas, respectively. Thus, the context awareness of the GNSS receiver is important. In fact, an urban canyon can be further categorized into different levels based on sky visibility. We propose an innovative algorithm based on this categorization, which can provide information on surrounding buildings and give an estimation of sky visibility from raw GNSS measurements. This idea was inspired by the use of low-orbit satellite data for remote sensing applications. The recent development of multi-GNSS has led to a notable increase in the number of navigation satellites. Crucially, the visibility of satellites and the blockage of line-of-sight satellite signals are representative of the surrounding environment. The visibility of satellites can be classified by machine learning techniques, and an accurate classification can afford an estimation that is close to the real-sky visibility, as derived from a 3D building model and ground truth location. To assess the sensitivity of our proposed sky visibility estimation algorithm, we simulate different classification accuracies to investigate their effect on the performance of the algorithm.

中文翻译：

---

基于GNSS卫星能见度的天空能见度估计：基于GNSS的上下文感知方法

由于周围的建筑物会阻挡和反射卫星信号，因此目前定位在市区的全球导航卫星系统（GNSS）无法提供准确和稳定的性能。但是，如果我们可以确定接收器所在的环境，则可以应用适当的定位。例如，GNSS实时运动学和3D映射辅助GNSS（3DMA GNSS）分别用于在露天和城市地区进行定位。因此，GNSS接收器的上下文感知很重要。实际上，可以根据天空能见度将城市峡谷进一步分为不同级别。我们提出了一种基于此分类的创新算法，该算法可以提供有关周围建筑物的信息，并可以根据原始GNSS测量结果估算天空能见度。这个想法的灵感来自将低轨道卫星数据用于遥感应用。多GNSS的最新发展导致导航卫星的数量显着增加。至关重要的是，卫星的能见度和视线卫星信号的遮挡代表了周围的环境。卫星的可见性可以通过机器学习技术进行分类，准确的分类可以提供接近真实天空可见性的估算值，该估算值是根据3D建筑模型和地面真实位置得出的。为了评估我们提出的天空能见度估计算法的敏感性，我们模拟了不同的分类精度，以研究它们对算法性能的影响。多GNSS的最新发展导致导航卫星的数量显着增加。至关重要的是，卫星的能见度和视线卫星信号的遮挡代表了周围的环境。卫星的可见性可以通过机器学习技术进行分类，准确的分类可以提供接近真实天空可见性的估算值，该估算值是根据3D建筑模型和地面真实位置得出的。为了评估我们提出的天空能见度估计算法的敏感性，我们模拟了不同的分类精度，以研究它们对算法性能的影响。多GNSS的最新发展导致导航卫星的数量显着增加。至关重要的是，卫星的能见度和视线卫星信号的遮挡代表了周围的环境。卫星的可见性可以通过机器学习技术进行分类，准确的分类可以提供接近真实天空可见性的估算值，该估算值是根据3D建筑模型和地面真实位置得出的。为了评估我们提出的天空能见度估计算法的敏感性，我们模拟了不同的分类精度，以研究它们对算法性能的影响。卫星的可见度和视线卫星信号的遮挡代表了周围的环境。卫星的可见性可以通过机器学习技术进行分类，准确的分类可以提供接近真实天空可见性的估算值，该估算值是根据3D建筑模型和地面真实位置得出的。为了评估我们提出的天空能见度估计算法的敏感性，我们模拟了不同的分类精度，以研究它们对算法性能的影响。卫星的可见度和视线卫星信号的遮挡代表了周围的环境。卫星的可见性可以通过机器学习技术进行分类，准确的分类可以提供接近真实天空可见性的估算值，该估算值是根据3D建筑模型和地面真实位置得出的。为了评估我们提出的天空能见度估计算法的敏感性，我们模拟了不同的分类精度，以研究它们对算法性能的影响。