Wie man eine custom Rendering-Pipeline baut.

Die Grundlage

ARAT entwickelt und produziert mit der Marke BIGMOUNT systembasierte Halterungen für professionelle Anwendungen. Zum Einsatz kommen diese unter anderem im industriellen Umfeld, in der Logistik sowie in fahrzeugbasierten Anwendungen.

Das Besondere an BIGMOUNT ist der modulare Aufbau. Eine Halterung besteht nicht aus einem festen Bauteil, sondern aus mehreren Komponenten:

• Halterung
• Verbinder
• Basisplatte
• optional ein zusätzlicher Geräteträger

Jede dieser Komponenten ist wiederum in verschiedenen Ausführungen erhältlich. Dadurch ergeben sich hochspezifische Kombinationen für unterschiedlichste Einsatzbereiche. Genau diese Flexibilität ist ein großer Vorteil für die Anwender, stellt aber gleichzeitig eine enorme Herausforderung für die Visualisierung dar.

Denn aus diesen Bauteilen entstehen insgesamt 4437 eindeutig definierte Produktkonfigurationen, die visuell abgebildet werden müssen.

Auf der Website von BIGMOUNT können sich Kunden ihre gewünschte Halterung über einen Produktkonfigurator (ebenso eine Lösung aus dem Hause KOMMERS) zusammenstellen. Ziel war es, dort jede Konfiguration auch visuell darzustellen, damit Kunden sehen, wie ihre Auswahl in der Realität aussieht.

Damit war schnell ersichtlich:
Ein manuelles Erstellen und Rendern von über viertausend Einzelbildern wäre nicht nur extrem zeitaufwendig, sondern auch wirtschaftlich nicht sinnvoll. Änderungen am Produkt oder neue Varianten würden den gesamten Prozess erneut auslösen.

Die einzige praktikable Lösung war daher eine vollautomatisierte Rendering-Pipeline, die auf bestehenden Produktdaten aufbaut und beliebig skalierbar ist.

Der Weg zur Lösung

Bevor wir mit der technischen Umsetzung begannen, haben wir uns intensiv mit dem Montagesystem selbst beschäftigt. Ziel war es, die Logik hinter den Produkten vollständig zu verstehen.

Dabei zeigte sich ein zentrales Muster:
Jede Konfiguration basiert auf einem Verbinder, an dem alle weiteren Bauteile befestigt werden. Der Verbinder fungiert somit als zentrales Element, an dem sich die gesamte Geometrie ausrichtet.

Diese Erkenntnis war entscheidend. Sie erlaubte uns, den Verbinder als festen Ankerpunkt zu definieren und alle anderen Komponenten relativ zu diesem Bauteil zu positionieren. Damit wurde die Grundlage für ein modulares und reproduzierbares System geschaffen.

Für die Umsetzung entschieden wir uns für Blender 4.5.0. Ausschlaggebend dafür waren mehrere Faktoren:

• der leistungsfähige Cycles Render Engine
• die hohe Kontrolle über Licht, Materialien und Kamera
• vor allem aber das vollständig über Python steuerbare Interface

Zunächst erstellten wir eine Grundszene, in der eine Beispielkonfiguration manuell aufgebaut wurde.
Auf Basis der von ARAT bereitgestellten STL-Daten platzierten wir die einzelnen Bauteile sorgfältig im Raum. Dabei ging es nicht nur um technische Korrektheit, sondern auch um eine ästhetische, gut verständliche Darstellung der Produkte.

Diese Test-Visualisierungen dienten als Referenz und wurden gemeinsam mit ARAT abgestimmt und freigegeben. Erst danach begann der nächste Schritt: die vollständige Automatisierung.

Empties, CSV und Python

Mit der finalen Test-Konfiguration konnten wir nun den Grundbaustein für die Automatisierung legen. Für jedes relevante Bauteil definierten wir sogenannte Empties, also Nullobjekte, an exakt festgelegten Punkten. Diese Empties wurden an den Origins der Bauteile platziert und dienten fortan als feste Andockpunkte. Zusätzlich richteten wir alle Bauteile auf ein gemeinsames Koordinatensystem aus, sodass sie später problemlos ausgetauscht werden konnten.

Auf diese Weise entstand ein flexibles System, bei dem sich jede Konfiguration allein durch das Kopieren von Position und Rotation zusammensetzen lässt.

Parallel dazu stellte uns ARAT eine umfangreiche Excel-Liste zur Verfügung, in der sämtliche Artikelnummern und die zugehörigen Bauteile definiert waren. Nach einer inhaltlichen und strukturellen Anpassung nutzten wir diese Liste als Grundlage für die Automatisierung.

Der Export als CSV-Datei ermöglichte es uns, die Daten direkt in Blender weiterzuverarbeiten und mit der 3D-Szene zu verknüpfen. Um diese Daten effizient zu nutzen, entwickelten wir ein eigenes Blender-Plugin, welches die CSV in folgenden Ablauf eingespielt:

• Eine Zeile der CSV-Datei wird eingelesen
• Die benötigten Bauteile werden sichtbar geschaltet
• Jedes Bauteil erhält automatisch einen Copy-Location- und Copy-Rotation-Modifier
• Die Modifier greifen auf die zuvor definierten Empties zu
• Die vollständige Konfiguration wird zusammengesetzt

Da einzelne Konfigurationen unterschiedlich groß ausfallen können, richtet sich die virtuelle Kamera automatisch an einer temporären Bounding-Box aus. So ist sichergestellt, dass jede Konfiguration optimal im Bildausschnitt liegt.

Optional kann die Konfiguration direkt gerendert oder zu Testzwecken weiter bearbeitet werden.

Reproduzierung und Bulk-Rendering

Ein großer Vorteil dieses Systems ist die vollständige Reproduzierbarkeit.
Das Plugin ermöglicht es nicht nur, tausende Konfigurationen automatisch zu rendern, sondern auch gezielt einzelne Varianten zu laden.

So kann beispielsweise Konfiguration #3194 manuell aufgerufen werden, um:

• die Ausrichtung zu überprüfen
• Materialien anzupassen
• Kameraeinstellungen zu optimieren
• oder mögliche Fehlerquellen zu identifizieren

Gerade bei Änderungen am Produkt oder am Erscheinungsbild ist diese Möglichkeit ein enormer Vorteil. Nach einmaligem Einrichten der Pipeline lassen sich neue Renderdurchläufe oder zusätzliche Konfigurationen schnell und zuverlässig erzeugen.

Wollen wir das Licht oder das Material der Produkte ändern?
Kein Problem - nach der Anpassung kann das System erneut durchlaufen.

Render-Optimierung

Bei mehreren tausend Renderings summieren sich selbst kleine Zeitunterschiede schnell zu mehreren Stunden. Aus diesem Grund investierten wir gezielt Zeit in die Optimierung der Render-Einstellungen.

Durch die Kombination aus dem Cycles Render Engine, optimierten Sampling-Werten und dem OptiX Denoiser konnten wir die Renderzeit pro Bild drastisch reduzieren.
Während erste Test-Renderings noch rund 22 Sekunden benötigten, lag die finale Renderzeit bei etwas über 3 Sekunden pro Bild.

Das entspricht einer mehr als siebenfachen Beschleunigung, ohne sichtbare Einbußen bei der Qualität. Besonders bemerkenswert ist dieses Ergebnis bei einer Bildauflösung von 2000 x 2000 Pixel.

Blenders EEVEE Realtime Engine wurde während der Optimierung ebenso getestet. Nach ergiebigem Prüfen sahen wir jedoch, dass Renderings aus EEVEE gegenüber Cycles nicht dieselbe Qualität aufweisen. Dennoch ist dieser Engine vielversprechend für zukünftige Projekte, die auf weniger komplizierten Lichtverhältnissen aufbauen.

Fazit

Dieses Projekt zeigt sehr deutlich, wie leistungsfähig automatisierte Rendering-Pipelines sein können, wenn sie von Beginn an sauber konzipiert werden. Für ARAT und BIGMOUNT bedeutet die Lösung konsistente Produktvisualisierungen, hohe Skalierbarkeit und enorme Zeit- und Kosteneinsparungen.

Gerade bei modularen, variantenreichen Produkten ist eine solche Pipeline kein Nice-to-have, sondern ein entscheidender Wettbewerbsvorteil.

Wenn Produktlogik, Datenstruktur und 3D-Workflow sauber zusammenspielen, entstehen Lösungen, die langfristig tragfähig sind und mit dem Produktportfolio mitwachsen können.

-

Falls Sie ein ähnliches Projekt planen oder wir Ihnen bei Produktentwicklung oder Visualisierung unterstützen können, kontaktieren Sie uns gerne für ein unverbindliches Erstgespräch.